Control Inteligente

Ricardo Sanz

Arquitectura de ControlInteligente de Procesos

1990aslab.org Autonomous Systems Laboratory

Autonomous Systems Laboratory

T H E A U T O N O M O U S S Y S T E M S L A B O R A T O R Ywww.aslab.org

Arquitectura de ControlInteligente de Procesos

El sistema CONEX

Ricardo Sanz

aslab.org

ASL-T-1990-0011990

Art is not to be found in a piece of canvas or in a pot ofpaint. Pots of the same paint may produce very different resultsfrom 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 isinert without a program of instructions. Using the same basicinstructions, different programmers can produce quite differentresults in the same computer.

To ask if a programmed computer is intelligent is like asking ifa painted canvas is beautiful. Intelligence, like beauty, seems tobe ”in the eye of the beholder”, since what one calls beautiful orintelligent another scorns.

John H. AndreaeThinking with the Teachable Machine

Resumen

En esta tesis se presenta una arquitectura de control,basada en tecnicas de inteligencia artificial, de aplicacionen control de procesos industriales complejos. Esta arqui-tectura de control permite integrar polıticas de controlque hacen uso de informacion sobre el proceso a todoslos niveles. Desde las medidas de sensores de planta a losvalores de analisis de laboratorio. Desde el conocimientooperacional representado por los procedimientos de con-trol de los operadores hasta el conocimiento estructural-funcional de los ingenieros de proceso. El enfoque coo-perativo y distribuido de esta arquitectura posibilita laconstruccion de sistemas robustos, eficientes y reutiliza-bles, que han sido los principales objetivos del diseno dela misma.

En resumen, se propone una arquitectura de controlinteligente para procesos complejos, desarrollando algu-nos aspectos tecnicos que son fundamentales en la mis-ma y no han alcanzado el suficiente nivel de madurezen la actualidad, en particular la descomposicion de fun-ciones de control y la construccion de modelos para ra-zonamiento de control. De este modo se logra formularuna metodologıa teorico practica de desarrollo de siste-mas avanzados de control, orientada a las industrias deproceso, que permita la implantacion de toda una gamade sistemas de control inteligente en dichas industrias.

3

Arquitectura de Control Inteligente de Procesos Ricardo Sanz

4

Arquitectura de ControlInteligente de ProcesosASLab ASL-T-1990-001 v 1.0 Final of 1990

Abstract

Esta tesis doctoral se realizo en el Departamento de Automatica de la Escuela Tecnica Su-perior de Ingenieros Industriales de la Universidad Politecnica de Madrid, desde 1987 a1990. Sus directores fueron D. Agustın Jimenez Avello, catedratico de Ingenierıa de Siste-mas y Automatica y Doctor Ingeniero Industrial y D. Ramon Galan Lopez, Profesor Titularde Ingenierıa de Sistemas y Automatica y Doctor en Informatica.

Keywords

Control inteligente, control distribuido, arquitecturas de control, sistemas heterogeneos,control de hornos.

Acknowledgements

Deseo expresar mi agradecimiento a todos los que, de un modo u otro, han contribuido aque este proyecto de tesis, en ocasiones de perspectiva incierta, se culmine con mayor o me-nor exito. Algunos de ellos son: La empresa ASLAND Tecnologıa S.A. por su apoyo; JuanRamon Velasco, por tantas discusiones tan rentables; Eugenio Andres Puente que tiene unespıritu increıble; Adolfo Yela, que ha aguantado estoicamente mis desvarıos, aportandouna importante vision crıtica de los mismos; Pedro y Paulo, por la envidia que me da sucapacidad de trabajo; Marta, Gamaliel y el resto de la gente de IA, por estar ahı, peleando;Fernando, Cecilio, Alvaro y Jose Antonio, por embarcarse; Luis, Marıa, Angel, Enrique, Ma-galı, Aida y todos los demas les agradezco su manera de compartir tantas horas; Familia,amigos y demas conocidos que han soportado mis obsesiones, por eso mismo.

Tabla de Contenido

1. Introduccion 1

1.1. Estado del Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2. Objetivos de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.3. Estructura de la Memoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2. Control de Procesos Complejos 4

2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.2. Caracterısticas de los Procesos Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.2.1. Complejidad volumetrica o primaria . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2.2. Complejidad de interaccion o secundaria . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2.3. Incertidumbre de comportamiento o complejidad terciaria . . . . . . . . . . . . . . 6

2.3. Control de Procesos Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.3.1. Enfoques de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.3.2. Control de un proceso complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.4. Control Supervisor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.5. Inteligencia Artificial e Inteligencia Natural . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.6. Inteligencia Artificial en Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.6.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.6.2. Aplicabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.6.3. Reutilizabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.7. Campos de Aplicacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3. Modelos Simbolicos de Sistemas Fısicos 15

3.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

3.2.1. ¿Que es un Modelo? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

III


3.2.2. Caracterısticas de los modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.2.3. Modelos informaticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.3. Modelos para Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3.3.1. Utilizacion de modelos numericos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

3.3.2. Utilizacion de modelos simbolicos implıcitos . . . . . . . . . . . . . . . . . . . . . . 20

3.3.3. Utilizacion de modelos simbolicos explıcitos . . . . . . . . . . . . . . . . . . . . . . 21

3.4. Modelos Cualitativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

4. Control Inteligente de Procesos 25

4.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4.2. Control Inteligente: Objetivos y Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4.2.1. Objetivos generales del control inteligente . . . . . . . . . . . . . . . . . . . . . . . 26

4.2.2. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

4.3. Perspectiva Historica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

4.3.1. Control clasico y supervisor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

4.3.2. Inteligencia artificial y sistemas expertos . . . . . . . . . . . . . . . . . . . . . . . . 28

4.3.3. Sistemas de primera generacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.3.4. Sistemas de segunda generacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

4.3.5. Sistemas de tercera generacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

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. Aclaracion de denominaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

4.4.4. Tendencias en control inteligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

4.4.5. Caracterısticas fundamentales del control inteligente . . . . . . . . . . . . . . . . . 32

4.4.6. Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

4.4.7. Proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.4.8. Inteligencia artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 especıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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. Metodologıa de Diseno 60

5.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

5.2. Objetivos de la descomposicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

5.3. Sistemas Jerarquicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

5.3.1. Tipos de jerarquıas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

5.3.2. Jerarquıas en sistemas de control inteligente . . . . . . . . . . . . . . . . . . . . . . 65

5.3.3. Descomposicion por dominios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

5.3.4. Descomposicion funcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.3.5. Descomposicion representacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.3.6. Descomposicion temporal y por paradigmas . . . . . . . . . . . . . . . . . . . . . . 69

5.3.7. Estructuracion jerarquica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

5.4. Operacion en tiempo real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

5.4.1. Requisitos fuertes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

5.4.2. Requisitos debiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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

5.5. Descomposicion de Sistemas basados en el Conocimiento . . . . . . . . . . . . . . . . . . . 75

5.5.1. Descomposicion de la base de conocimientos . . . . . . . . . . . . . . . . . . . . . . 75

5.5.2. Planificacion de bases de conocimiento . . . . . . . . . . . . . . . . . . . . . . . . . 77

5.5.3. Criterios de seleccion de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

5.5.4. Razonamiento progresivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

5.5.5. Razonamiento conclusivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

5.6. Valoracion de la Metodologıa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

6. Modelado Multirresolucional 80

6.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

V


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. Tecnicas basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

6.4.2. Funciones del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

6.4.3. Implantacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

6.5. Modelo Q . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86


6.5.2. Tecnicas basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

6.5.3. Simulacion cualitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

6.5.4. Extensiones a la representacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

6.5.5. Funciones NQ y QN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6.5.6. Extensiones a la simulacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6.5.7. Simulacion cualitativa borrosa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

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


6.6.4. Implantacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

6.7. Utilizacion de Modelos en Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

6.7.1. Informacion sobre el estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

6.7.2. Prediccion del comportamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

6.7.3. Informacion estructural / funcional . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

7. Arquitectura de Control Inteligente 99

7.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

7.2. Objetivos de la Arquitectura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

7.2.1. Objetivos del sistema final . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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

7.3.4. Descomposicion heterogenea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

7.3.5. Objetos activos y pasivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

7.4. Arquitectura Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

7.4.1. Estructura global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

7.4.2. Estructura estandar de un OAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

7.4.3. Interfase estandar 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

7.6. Valoracion de la Arquitectura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

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

8.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

8.2. Caracterısticas del proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

8.2.1. Plantas de produccion de cemento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132

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


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 142

B. Glosario 143

B.1. Terminos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

B.2. Acronimos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

C. Bibliografıa 149

C.1. Referencias Bibliograficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

C.2. Bibliografıa adicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

D. Parametros de los conjuntos borrosos 166

VIII

Lista de figuras

2.1. Esquema elemental de un sistema de control supervisor en el que un operador humanosupervisa la operacion de un sistema de control automatico. . . . . . . . . . . . . . . . . . 5

2.2. El proceso de control inteligente consta de dos etapas fundamentales: 1) la valoracion dela situacion y 2) la realizacion de la accion de control. . . . . . . . . . . . . . . . . . . . . . 8

3.1. Objeto en caıda 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

3.4. Ejemplo de simulacion del modelo cualitativo del objeto en caida libre a partir de unacierta altura y velocidad inicial hacia arriba. Las cajas amarillas representan los diferentesestados cualitativos por los que pasa el sistema. . . . . . . . . . . . . . . . . . . . . . . . . 24

4.1. Esquema de control clasico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.2. Tipos de conocimiento y procedencia del mismo. . . . . . . . . . . . . . . . . . . . . . . . . 32

4.3. Sistema sin vınculos con el mundo. Las decisiones de accion las toma el operador humano. 34

4.4. Sistema con vınculos con el mundo. Las decisiones de accion las toma el sistema de con-trol y el operador humano en casos especiales. . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.5. Comparacion entre sistemas expertos clasicos y sistemas expertos de control. . . . . . . . 37

4.6. Orıgenes diversos de las diferentes partes de la base de conocimiento. El ingeniero deconocimiento cataliza el proceso de formalizacion y representacion. . . . . . . . . . . . . . 41

4.7. Estructura clasica 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 fısico, nivel de circuito y nivel logico. . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

5.2. Jerarquia de control de Saridis [Saridis 88]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

IX


5.3. Descomposicion en escalones de un sistema de control de robot usando la jerarquia decontrol de Saridis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

5.4. Triple criterio de descomposicion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

5.5. El sistema de control de una fabrica de cemento se descompone en tres grandes subsiste-mas en relacion con las unidades mayores del proceso: control de la torre de intercambio,control del horno y control del enfriador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

5.6. Correlacion paradigma-abstraccion-tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

5.7. Ejemplo de sistema de control jerarquico elemental. . . . . . . . . . . . . . . . . . . . . . . 70

5.8. Ejemplo de sistema de control basado en el conocimiento con un metanivel de seleccion. . 78

6.1. Estructura y transformaciones en el modelo multiresolucional NQK. . . . . . . . . . . . . 84

6.2. Ejemplo de arbol de comportamientos en simulacion cualitativa. . . . . . . . . . . . . . . . 89

6.3. Espacios de cantidades borrosos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

6.4. Deteccion de estados iguales. Dado que E2.2≡ E2.4 los subarboles que cuelgan de dichosestados son identicos —de hecho son los mismos estados. . . . . . . . . . . . . . . . . . . . 93

6.5. Deteccion de comportamientos periodicos por identificacion de transiciones a estadospreviamente considerados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

6.6. Utilizacion del conocimiento sobre el proceso en control. . . . . . . . . . . . . . . . . . . . 97

7.1. Estructura de control avanzado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

7.2. Jerarquıa 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 ac-tivos 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: Evaluadorde actuaciones, MC: Monitor de CONEX e IE: Interfase externa. . . . . . . . . . . . . . . . 107

7.5. Estructura de sofware de CONEX. Distribucion de objetos de alto nivel. . . . . . . . . . . 110

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

8.1. Estructura basica de un horno de clinker para fabricacion de cemento. . . . . . . . . . . . 134

8.2. Parte de la jerarquıa 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 artificial en control. . . . . . . . . . . . . . . . . . . 12

3.1. Ejemplos de uso de modelos considerando dos aspectos fundamentales: explicitud y abs-traccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

4.1. Algunos aspectos caracterısticos de los sistemas de control inteligente. . . . . . . . . . . . 33

5.1. Facetas primarias a emplear en la descomposicion modular de sistemas inteligentes decontrol. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

5.2. Denominaciones caracterısticas empleadas para los sistemas complejos descompuestosen funcion de las facetas que han guiado dicha descomposicion. . . . . . . . . . . . . . . . 71

6.1. Restricciones cualitativas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

7.1. Misiones principales de los objetos de alto nivel de CONEX. . . . . . . . . . . . . . . . . . 108

D.1. Parametros de los conjuntos borrosos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

XII

Capıtulo 1

Introduccion

In a little time, however, no more canoesappearing,

the fear of their coming wore off,and I began to take my former thoughts

of a voyage to the main into consideration

DANIEL DEFOEThe Life and Adventures of Robinson Crusoe, 1719

Esta tesis doctoral ha sido realizada en el De-partamento de Automatica, Ingenierıa Electronicae Informatica Industrial de la ETSI Industriales dela Universidad Politecnica de Madrid. El desarro-llo de las ideas que en ella se reflejan ha tenido lu-gar a lo largo de varios anos de colaboracion condicho departamento, en particular con la divisionde automatica del mismo (DISAM). A lo largo deeste tiempo la participacion en proyectos de auto-matizacion industrial ha permitido al autor obte-ner una perspectiva de la situacion actual del con-trol de procesos y de la problematica de la auto-matizacion de procesos complejos.

En esta tesis se presenta una arquitectura de con-trol, basada en tecnicas de inteligencia artificial,de aplicacion en control de procesos industrialescomplejos. Esta arquitectura de control permite in-tegrar polıticas de control que hacen uso de infor-macion sobre el proceso a todos los niveles. Des-de las medidas de sensores de planta a los valoresde analisis de laboratorio. Desde el conocimientooperacional representado por los procedimientosde control de los operadores hasta el conocimien-to estructural-funcional de los ingenieros de pro-ceso. El enfoque cooperativo y distribuido de es-ta arquitectura posibilita la construccion de siste-mas robustos, eficientes y reutilizables, que son losprincipales objetivos de diseno.

1.1. Estado del Arte

El control inteligente de procesos es un areade gran actividad en los ultimos tiempos [Astrom89a][Bartos 89][Jakob 90]. Este florecimiento ha si-do motivado por tres factores:

Mayor disponibilidad y menor precio deequipos de computo con la potencia suficientepara llevar a cabo este tipo de control.

Disponibilidad de herramientas para la cons-truccion de este tipo de sistemas.

Apertura de las grandes companıas de proce-so a estas nuevas tecnologıas, en vista de losexitos —aunque limitados— de la tecnologıade sistemas expertos.

Esto ha conducido al desarrollo de gran canti-dad de aplicaciones en el area. Estas aplicacionesestan orientadas fundamentalmente en tres vıas:

Sistemas de ayuda a los operadores[Johansen 83][Bailey 88]. Presentan una seriede metodos de ayuda en lınea, facilidades pa-ra interpretacion de datos de planta, etc.

Sistemas de diagnostico[Milne 87][Cuena 89]. Permiten localizar yaislar averıas, determinar causas de malfun-ciones, etc.

Sistemas de control[Bernard 88][Efstahtiou 87][Holmblad 87].Realizan la conduccion de un proceso mas omenos complejo de forma automatica.

1


Estas aplicaciones se llevan a cabo utilizan-do herramientas de construccion de sistemas ex-pertos clasicas, herramientas especialmente di-senadas para control inteligente o bien constituyendesarrollos especıficos. Como resultado del uso deherramientas convencionales, dichas herramientasresultan potenciadas con una serie de elementosque llegan a constituir nuevas herramientas (es elcaso del sistema PLEXYS [Intellicorp 87a], evolu-cion de la herramienta KEE).

Las herramientas especıficas para control in-teligente —centradas en el control basado enreglas— estan logrando una progresiva introduc-cion en el mercado, al ir mejorando sus presta-ciones de representacion de conocimiento, razona-miento y operacion en tiempo real; es el caso de G2[Gensym 89] —sucesor de PICON—, CHRONOS[Euristic 89], COMDALE y NEMO [S2O 90].

Los desarrollos en control inteligente se danfundamentalmente en el ambito universitario o enel marco de grandes proyectos de investigacion,como pueden ser los patrocinados por el DoDamericano, la NASA o la comunidad europea atraves de sus programas de I+D (ESPRIT, EURE-KA, etc). Ejemplos de este tipo son los sistemas de-sarrollados —o en proceso de desarrollo— en losproyectos ESPRIT: TEX-I [Voss 88], QUIC [Cavan-na 89], KRITIC, AIMBURN, IPCES, etc. De espe-cial importancia son estos ultimos por sus objeti-vos claramente industriales.

Las caracterısticas mas importantes de estossistemas se resumen en que consiguen implantarestrategias de control avanzadas, basadas en tecni-cas de inteligencia artificial, pero con limitacionesen cuanto al tipo de polıticas de control utilizablesy el tipo de procesos a los que son aplicables, sobretodo debido a la lentitud de estas aplicaciones, quelimita su operacion en tiempo real. Los sistemasinteligentes —por ejemplo los basados en reglas—incurren en cargas de computo en tiempo de eje-cucion que son impredecibles, lo que hace inviablesu uso en determinado tipo de sistemas (sistemascon requerimientos fuertes de operacion en tiem-po real).

Todo ello nos permite alcanzar una conclusionfinal. El control inteligente de procesos es una areade I+D muy prometedora, en la que se estan lo-grando importantes resultados, aunque con un ex-

cesivo grado de dispersion. No existe un cuerpode conocimiento central que permita situar y va-lorar todos los desarrollos, debido fundamental-mente a que el problema del control inteligente esun problema de formulacion de un modelo com-plejo de un sistema fısico aun mas complejo; estohace que los factores psicologicos sean en gran me-dida crıticos, ya que las polıticas de identificaciondel estado del sistema y de razonamiento sobre laevolucion del mismo se derivan de los modos depensar del personal —informatico y de proceso—que construye el sistema de control inteligente. In-tentos de formulaciones teoricas independienteshan tenido resultados disparejos, aunque dentrode ellas cabe destacar al grupo de investigadoresen torno a Saridis [Saridis 88b]. No obstante estetipo de teorıas pecan de un excesivo alejamientode lo que es ingenierıa, siendo por tanto de aplica-bilidad directa limitada.

Ademas existen problemas con soluciones pre-carias —como son los motores de inferencia entiempo real o el uso de modelos profundos— quelimitan la aplicabilidad de estos sistemas. Ello esdebido por lo general tanto a consideraciones deoperacion en tiempo real como a seguridad y fia-bilidad.

1.2. Objetivos de la Tesis

Los objetivos de esta tesis se centran en variospuntos:

Determinar la factibilidad de los sistemas in-teligentes de control de procesos. Se tratara dedeterminar la viabilidad tecnica de los siste-mas inteligentes de control de procesos, esta-bleciendo los elementos fundamentales de losmismos, ası como los posibles beneficios deri-vables de su utilizacion.

Desarrollo de un tecnica de modelado desistemas fısicos para razonamiento sobre losmismos. Esta tecnica sera el soporte de losprocesos de razonamiento a todos los niveles,tanto en planificacion como en control directo.

Proponer una arquitectura para control inteli-gente de procesos complejos. Esta arquitectu-

2

Capıtulo 1. Introduccion

ra debera garantizar la robustez y adaptabili-dad del sistema de control inteligente. Este esel objetivo fundamental.

Desarrollo de una aplicacion de control inteli-gente basada en dicha arquitectura. Esta apli-cacion tratara de controlar un proceso de com-plejidad media-alta, que presente problemaspara su control clasico.

En resumen, el objetivo de la tesis es:

Proponer una arquitectura de control inteligentepara procesos complejos, analizando algunos aspectostecnicos que son fundamentales en la misma y no hanalcanzado el suficiente nivel de madurez en la actuali-dad, en particular la construccion de modelos para ra-zonamiento de control.

De este modo se lograra formular una metodo-logıa teorico-practica orientada a las industrias deproceso, que permita la implantacion de toda unagama de sistemas de control inteligente en estasindustrias.

1.3. Estructura de la Memoria

Esta memoria de tesis esta dividida en nuevecapıtulos y tres apendices. El contenido de cadauno de ellos se comenta a continuacion.

Capıtulo 1: INTRODUCCION

El presente capıtulo, en el que se comenta laestructura de la tesis, junto con un breve anali-sis del estado del arte.

Capıtulo 2: CONTROL DE PROCESOS COM-PLEJOS

Se comenta la problematica del control deprocesos complejos, analizando la aplicabili-dad de tecnicas de inteligencia artificial y losobjetivos que se pretenden lograr con ello.

Capıtulo 3: MODELOS SIMBOLICOS DE SISTE-MAS FISICOS

Se estudian las tecnicas de modelado simboli-co para razonamiento sobre sistemas fısicos.

Capıtulo 4: CONTROL INTELIGENTE

Se analizan las caracterısticas tecnicas de lossistemas de control inteligente, estableciendolas bases para un sistema inteligente de con-trol de procesos.

Capıtulo 5: METODOLOGIA DE DISENO

En este capıtulo se presenta una metodologıade diseno, desarrollada en esta tesis, de siste-mas de control inteligente, en la que se basa laarquitectura propuesta en esta tesis.

Capıtulo 6: MODELADO MULTIRESOLUCIO-NAL

En este capıtulo se presenta la tecnica de mo-delado de sistemas desarrollada en esta tesis.

Capıtulo 7: ARQUITECTURA DE CONTROL IN-TELIGENTE

En el se presenta CONEX, la arquitectura decontrol desarrollada en esta tesis, analizandocada uno de los modulos que la componen.

Capıtulo 8: CONTROL DE HORNOS DE CLIN-KER

Se analiza una aplicacion basada en la arqui-tectura CONEX que tiene como objetivo elcontrol de hornos de clinker, uno de los sub-procesos de fabricacion de cemento.

Capıtulo 9: CONCLUSIONES

En el se comenta el grado de satisfaccion delos objetivos propuestos para esta tesis, anali-zando los posibles desarrollos posteriores.

Apendice A: CRITERIOS

Estos criterios permiten decidir si un campode aplicacion es adecuado para el uso de unsistema inteligente de control.

Apendice B: GLOSARIO

Terminos de especial importancia dentro delarea de control inteligente.

Apendice C: BIBLIOGRAFIA

Referencias utilizadas en esta tesis y referen-cias adicionales.

3

Capıtulo 2

Control de Procesos Complejos

COMPLEJO:... asunto en que hay que considerarmuchos aspectos,

por lo que no es facil de comprender o resolver

MARIA MOLINERDiccionario de Uso del Espanol

2.1. Introduccion

Existen gran cantidad de procesos industria-les que sufren una falta grave de automatizacion,con las consiguientes repercusiones en la produc-tividad y disponibilidad del proceso. Esta caren-cia de funcionamiento automatico es debida a di-versas circunstancias, pero que cabe agrupar ba-jo un solo concepto: COMPLEJIDAD. Los procesosindustriales son complejos en tres sentidos:

Numero de elementos que componen el siste-ma.

Interacciones entre dichos elementos.

Desconocimiento del modo exacto de interac-cion.

Estos aspectos de complejidad —complejidadprimaria, secundaria y terciaria— dificultan la im-plantacion de sistemas de control, sobre todo losaspectos secundario y terciario. Esta dificultad esmaxima cuando nos limitamos al uso de tecnicasclasicas de control, que son practicamente las uni-cas que se emplean habitualmente en la industria.Por ello en muchos de estos sistemas se utiliza unaestructura de control con dos bucles:

Un bucle interno, en base a un regulador clasi-co (PID o PI).

Un bucle externo, llevado a cabo por un hu-mano, encargado de monitorizar la evoluciondel proceso y de realizar las correcciones per-tinentes, por lo general a traves de las consig-nas de los bucles internos.

Como veremos en este capıtulo y en los suce-sivos, la inteligencia artificial puede servir de sus-tancial apoyo para la construccion de sistemas decontrol automatico integrales, ya que la flexibili-dad de las representaciones del conocimiento queutiliza va a permitir hacer frente a la complejidaddel proceso. En este capıtulo analizaremos los ob-jetivos de la aplicacion de tecnicas de inteligen-cia artificial al control de procesos complejos. Pa-ra ello estudiaremos en primer lugar el concep-to de proceso complejo, determinando los proble-mas principales para su control, estudiando a con-tinuacion la posible utilizacion de la inteligenciaartificial y los resultados hasta ahora conseguidos.

2.2. Caracterısticas de los Proce-sos Complejos

El aspecto caracterıstico que dificulta el con-trol de determinados procesos industriales es lacomplejidad de los mismos. Como mencionaba-mos anteriormente la complejidad de un procesoviene determinada por tres factores: los elemen-tos que lo componen, las interacciones entre ellos yla incertidumbre en el comportamiento interno delos mismos o el derivado de dichas interacciones.

4

Capıtulo 2. Control de Procesos Complejos

ActuadorRegulador

Captador

Proceso

Interfaz de operador

Operador

Figura 2.1: Esquema elemental de un sistema de control supervisor en el que un ope-rador humano supervisa la operacion de un sistema de control automatico.

Cada uno de estos aspectos de complejidad di-ficultan de manera especıfica la introduccion desistemas de control en dichos procesos.

2.2.1. Complejidad volumetrica o pri-maria

Un proceso es volumetricamente complejocuando el numero de elementos que lo constitu-yen es muy elevado. Es lo mismo que decir que elnumero de variables a medir y controlar es muygrande.

Desde el punto de vista que nos ocupa, el con-trol automatico, este aspecto no es insalvable; paracontrolar un proceso volumetricamente complejobasta con utilizar un sistema de control propor-cionalmente grande, en el caso de control digitalun computador o sistema de computadores lo su-ficientemente grande como para hacer frente a to-dos los bucles de control que se precisen.

De hecho en la actualidad los sistemas de con-trol de procesos complejos estan en esta fase. Cen-tenares de bucles simples de control implantadosen grandes maquinas o en sistemas distribuidos.Estos bucles simples son por lo general PIDs o PIs,ya que el implantar controles mas complejos es ex-cesivamente costoso —no solo economicamente—para los resultados que se obtienen.

No obstante en algunos casos se emplean siste-mas mas avanzados (adaptativos, predictivos, etc)que estan disponibles comercialmente [ASEA 83]

[Adaptech 89].

2.2.2. Complejidad de interaccion o se-cundaria

El segundo nivel de complejidad surge del aco-plamiento entre los diferentes subsistemas. La in-genierıa de proceso trata de conseguir que la com-plejidad de interaccion sea mınima, dado que deeste modo el control —manual o automatico— delsistema es mas simple y eficaz, lo que conduce amejoras de productividad y disminucion de nece-sidades de mantenimiento. No obstante este des-acoplamiento de subsistemas no es siempre alcan-zable, por lo que desde la perspectiva clasica elcontrol del proceso solo es viable de dos formas:

Utilizando control multivariable, lo que llevaasociado problemas de gran dificultad. El usode sistemas de control multivariable esta res-tringido a procesos de complejidad limitada,sobre todo debido al coste de desarrollo, ins-talacion y puesta en marcha de los mismos.

Utilizacion de control manual mediante unoperador humano, que es un experto en con-trol del proceso.

La identificacion del operador como experto esla que ha traıdo de la mano a la inteligencia arti-ficial al campo de control de procesos. En una pri-mera aproximacion se trata de modelar el compor-tamiento del operador mediante reglas, logrando

5


resultados aceptables en algunos casos. No obs-tante el control de un proceso de complejidad ele-vada se basa en gran medida en la capacidad desentido comun del operador, difıcilmente implanta-ble en un sistema experto.

2.2.3. Incertidumbre de comportamien-to o complejidad terciaria

Si se carece de un modelo del proceso a contro-lar, el control posible del mismo queda muy res-tringido.

La identificacion del proceso a controlar es unfactor fundamental si se desea usar un controlavanzado, pero solo se muestra viable cuando ladinamica del proceso es muy definida, con altera-ciones debidas tan solo a modificacion o deriva dealgun parametro del proceso. En caso de sistemascon mucho ruido y con estructura muy cambiantela utilidad de un modelo reducido y la identifica-cion disminuye.

El aspecto terciario de complejidad es justifica-ble en ultimo termino como complejidad secunda-ria exacerbada. Las interacciones son tantas y a tanbajo nivel, que la prediccion del comportamientoexacto del sistema es imposible.

Vuelve a surgir el operador y su sentido comunpara hacer frente a este problema, ya que con sucapacidad de razonamiento y sobre todo con suexperiencia en el funcionamiento del sistema, es ca-paz de determinar la accion de control adecuada—o al menos una que se le aproxima.

2.3. Control de Procesos Com-plejos

El control de procesos complejos se ve afecta-do por una serie de factores que dificultan su rea-lizacion. Estos factores cabe agruparlos en gene-rales —no exclusivos de este tipo de procesos—y de complejidad. Los factores generales son losque estan asociados a las tareas de control, deriva-dos esencialmente de la interaccion con un siste-ma fısico. Entre estos factores se pueden destacar:la necesaria operacion en tiempo real, la interac-

cion con sistemas dinamicos, la falta de fiabilidadde equipos, etc.

Por otra parte los factores de complejidad tie-nen su origen en los aspectos de complejidad men-cionados en el apartado. Las caracterısticas quedeben poseer los sistemas de control para hacerfrente a estos problemas son: ser capaces de im-plementar un numero elevado de bucles de con-trol elevado, poder hacer control multivariable ymanejar los diferentes aspectos de incertidumbre.

Esto nos conduce a plantear como necesidadesde un sistema de control las siguientes: equipospotentes, algoritmos avanzados y modelos multi-resolucionales. Toda esta problematica de controlpara procesos complejos ha conducido a un puntoen que el planteamiento del control se hace direc-tamente en base a la utilizacion de controles au-tomaticos simples, junto con personal humano en-cargado de la supervision de los mismos.

2.3.1. Enfoques de control

El problema de la complejidad volumetrica esel de mas facil resolucion, pues para ello basta lafuerza bruta: el tamano del ordenador —o del sis-tema de ordenadores— se hace proporcionalmen-te grande al numero de variables a controlar.

Este tipo de sistemas es el que se puede en-contrar mas facilmente en la industria, existiendogran cantidad de productos comerciales que sonaplicables en este nivel [Foxboro 86]. Este tipo deproductos tienen como principales clientes a in-dustrias quımicas; apareciendo la mayor parte delos paquetes comerciales en el campo de la indus-tria petroquımica. Estos productos ofrecen la po-sibilidad de implantar multitud de bucles de con-trol, manejando decenas de miles de variables si-multaneamente. Sin embargo es preciso el uso deun operador de proceso; una persona encargadade supervisar el funcionamiento del sistema. Esteenfoque —de fuerza bruta dijimos antes— da re-sultados buenos respecto a la operacion en modomanual.

No obstante la economıa es la que en ultimotermino controla el avance tecnico, y es la necesi-dad de mejorar rendimientos la que conduce a lossistemas de control avanzado, en los que se em-

6


plean tecnicas matematicas para gestionar y opti-mizar la produccion de la planta industrial [Nistal89b]. Este tipo de sistemas de control es mas difıcilde encontrar en la practica como paquete comer-cial. Por lo general los desarrollos en este camposon individuales, construidos por empresas de in-genierıa para plantas especıficas. El campo de apli-cacion de este tipo de sistemas es, no obstante, elmismo que el de los sistemas anteriores: las plan-tas limpias.

Cuando el proceso a controlar tiene dificulta-des de modelado, estas se derivan generalmentede la complejidad terciaria. Este es, con mucho, elproblema mas importante para el control de pro-cesos sucios. En este caso los sistemas del controlautomatico existentes de forma generalizada redu-cen su actuacion al control de bucles simples delproceso, sin realizar un control global del mismo.Es preciso utilizar un operador experto para con-trolar el proceso.

Las necesidades de mejora de rendimientos y lasupresion de dependencias humanas hacen que labusqueda de soluciones a estos problemas de con-trol sea cada vez mas intensa. El enfoque que pa-rece mas prometedor es el uso de tecnicas de inge-nierıa del conocimiento, que se justifican en base aque si un humano puede hacerlo, la maquina debe podertambien.

2.3.2. Control de un proceso complejo

En el control de un proceso complejo es precisala existencia de sistemas adicionales a lo constitu-ye un control clasico y que posibiliten la realiza-cion de las tareas de control en un amplio rangode circunstancias. Este ultimo punto es de funda-mental importancia; la multiplicidad de circuns-tancias que se producen en la operacion de proce-sos complejos es la que determina la inoperanciade los sistemas de control clasicos, debido a queestos son adecuados para situaciones muy deter-minadas. En una situacion particular el comporta-miento del proceso se rige por una serie de rela-ciones que determinan la idoneidad de un deter-minado regulador clasico. Cuando las circunstan-cias cambian es preciso determinar esta salida deambito de aplicacion para evitar los problemas a queconduce el uso de un regulador inadecuado a una

situacion. Este tipo de sistemas de determinacionen lınea de salida de margenes de operacion es degran importancia para la robustez del sistema decontrol.

El numero de maneras en que un proceso pue-de salirse fuera del margen de operacion de unregulador es muy variado, siendo la causa de laprogresiva complejidad de los sistemas de controlclasicos, en particular los implantados con compu-tador que son los que permiten realizar estas ges-tiones de forma eficaz. Los sistemas de control ba-sados en hardware son bastante inflexibles en es-te sentido, disponiendo practicamente de un unicometodo de control de fuera de margenes: el uso deumbrales de alarma en las variables medidas. Estetipo de mecanismos permiten acotar una zona delespacio de valores de las variables que se consi-dera controlable. En control con computador la de-terminacion de estas zonas es mas flexible, siendohabitual el uso de diversos tipos de umbrales, quedeterminan varias zonas de operacion diferencia-das, en las que se usan diferentes algoritmos decontrol.

Si analizamos este tipo de situaciones, ası comola manera en que los humanos realizan el controlde este tipo de sistemas, vemos que el proceso decontrol consta de dos etapas fundamentales:

Valoracion de la situacion , en la que se establececual es el estado funcional del proceso, informa-cion que se empleara para determinar la es-trategia de control a emplear. Esta determina-cion del estado funcional se lleva a cabo pormedio de informacion sobre el estado del pro-ceso, por lo general variables medidas, aun-que tambien es habitual el uso de historias devalores u otro tipo de informacion como es elcaso de analisis espectrales.

Determinacion de la actuacion , en la que se esta-blecen las acciones de control a realizar sobre elproceso. Estas acciones se calculan a partir dela informacion sobre el estado del proceso —variables medidas— y empleado el algoritmoadecuado al estado funcional establecido porla etapa anterior.

Este tipo de mecanismo dual se implanta habi-tualmente en los sistemas de control con compu-

7


Proceso

Valoración de la situación del proceso

Determinación de la acción de control

Estadofuncional Variables

de procesoAcción decontrol

Referencias

Figura 2.2: El proceso de control inteligente consta de dos etapas fundamentales: 1) lavaloracion de la situacion y 2) la realizacion de la accion de control.

tador, aunque en muchos casos su diseno e im-plantacion no se realizan teniendo en cuenta estafuncion doble, por lo que las dos etapas suelen es-tar integradas en una etapa unica que puede llegara ser bastante compleja. En un caso particular —elsistema COMLAND desarrollado por el Departa-mento de Automatica— se tiene este tipo de es-tructura. El sistema implanta un doble reguladoren cascada, al que se anade un bucle de optimi-zacion de produccion cuando las condiciones delproceso son adecuadas. El sistema reconoce cuatroregiones de operacion: optimizable, normal, aten-cion y alarma. De haberse implantado desde unprincipio con estructura de dos etapas el desarro-llo hubiera sido mucho mas simple y el sistema re-sultante mas eficaz y robusto.

El problema de la implantacion de esta estruc-tura dual se origina en la primera etapa. Esta esuna etapa que puede requerir de procesos de in-formacion a muy alto nivel, siendo una etapa cla-ramente basada en conocimiento declarativo —situaciones a reconocer— mientras que la segundaes una etapa fundamentalmente procedural. Porello en sistemas de control poco avanzados la pri-mera etapa se minimiza, desapareciendo inclusoen el caso de los reguladores mas simples: no serealiza ningun proceso de valoracion del estadodel proceso y por ello se emplea siempre el mis-mo algoritmo de determinacion de actuaciones: elregulador convencional. El control adaptativo es

—en cierto sentido— una realizacion de esta es-tructura dual, en la que el numero de reguladoresa seleccionar es practicamente infinito —un rangocontinuo— y en el que la identificacion del estadofuncional no se hace en cada ejecucion del algorit-mo de control, sino con otro tipo de periodicidad.

2.4. Control Supervisor

No obstante la complejidad inherente a mu-chos procesos, la estructura de control supervisorbasada en un operador humano tiene exito. Esteexito cabe atribuirlo a que el modelo mental queel operador tiene del proceso y los mecanismos deidentificacion que emplea para el ajuste de dichomodelo, son, cuando menos, mejores que los utili-zados en sistemas de control automatico; lo que lepermite realizar la etapa de identificacion del esta-do funcional de una manera mas efectiva.

A pesar de lo anterior el control basado en hu-manos no es la panacea, ya que el operador es hu-mano, y como tal esta sometido a cansancio, erro-res de percepcion, errores de decision, etc. Lostres conceptos fundamentales de fiabilidad, dispo-nibilidad y mantenibilidad presentan caracterısti-cas particulares cuando se habla del operador hu-mano:

8


Fiabilidad : El hombre es menos fiable que lamaquina, sobre todo porque sus modos de fa-llo son menos predecibles y menos identifica-bles.

Disponibilidad : La disponibilidad del humanoes menor; ello aparece claramente reflejado enuno de los problemas fundamentales para elmantenimiento de la estabilidad en operacionde procesos: los turnos. Debido al cansancionormal de las personas es necesaria la existen-cia de turnos de operadores, cada uno con susmodelos mentales, sus tecnicas de identificacion yajuste y sus procesos de decision.

Mantenibilidad : Los operadores se jubilan, seponen enfermos y precisan de bajas tempora-les o definitivas, se hacen viejos y encuentrandificultades para adaptarse a las nuevas si-tuaciones del proceso. El transvase de conoci-miento de un operador a su sustituto es difıcilcuando no imposible, sobre todo cuando es-te transvase de informacion puede concluiren dificultades laborales para el operador-fuente.

Este tipo de problemas humanos estan a la or-den del dıa, pero no por ello son soslayables, yaque la carencia de los sistemas automaticos quesustituyan a los humanos determina su necesidad.

Otro aspecto que no hemos mencionado y quees fundamental es el de la seguridad. Al fin y alcabo los sistemas automaticos estan construidospara operar en un rango de situaciones determi-nado. La robustez del sistema de control es fun-damental. Sin duda, si nuestra seguridad depen-diera de la operacion de un sistema automatico,preferirıamos que este estuviera vigilado por unhumano entendido en la materia. Este tipo de si-tuacion es caracterıstico de sistemas con seguridadcrıtica, como puede ser una planta nuclear o un na-ve espacial.

De ello surge la necesidad de los sistemas desoporte de decisiones, que permiten al humanodel mas alto nivel tener un conocimiento lo mascompleto posible de la situacion. Sheridan [She-ridan 83a] presenta una clasificacion de nivelesde automatizacion (cooperacion hombre-maqui-na) que resulta interesante. Los niveles que She-

ridan propone son los que se derivan del siguienteprotocolo:

1. El computador no ofrece asistencia, o

2. el computador ofrece un conjunto completode alternativas, y

a) restringe la seleccion a un conjunto, o

b) sugiere una, y1) ejecuta la sugerencia si el humano la

aprueba, o

2) permite al humano vetarla antes deejecutarla automaticamente, o

3) informa al humano despues de laejecucion, o

4) informa al humano si este lo solicita,o

5) informa al humano si ası lo decide.

3. El computador hace todo sin comunicarsecon el humano.

Desde la no automatizacion hasta la automati-zacion total hay una serie de niveles de automati-zacion basados en la cooperacion hombre-maqui-na. Tenemos una gradacion MANUAL-MIXTO-AUTOMATICO.

Como vemos el proceso de sustitucion delhombre por la maquina en sistemas potencialmen-te peligrosos, jamas eliminara completamente alhombre, siempre habra que poner un humano porencima de cualquier mecanismo. Esto no es nece-sariamente malo, sino todo lo contrario. Como tra-taremos de exponer en esta tesis, la colaboracionhombre-maquina puede conducir a resultados ade-cuados, pero para ello es preciso construir meca-nismos que posibiliten esta sinergia.

En esta tesis no se pretende pues proponer unasolucion de automatizacion total, sino presentar

9


una serie de tecnicas que permitan potenciar el sis-tema de control (quiza avanzando en la jerarquıapropuesta por Sheridan), pero con un objetivo fi-nal hombre-maquina.

Por lo general un sistema de control de este tipotiene una estructura jerarquica, existiendo un nivelprimario de regulacion que suele estar implantadomediante automatas programables y un nivel su-perior de monitorizacion y supervision por el hu-mano.

2.5. Inteligencia Artificial e Inte-ligencia Natural

La mision del operador es —por lo general— lade establecer estrategias de control mediante espe-cificacion de las consignas de los bucles de control.Esta mision se lleva a cabo mediante un proceso detoma de decisiones. La utilizacion del humano eneste tipo de sistemas presenta ventajas y desventa-jas inherentes al comportamiento caracterıstico delmismo. Las desventajas de este tipo de control ensistemas complejos se resumen en los puntos pre-sentados en la.

En los sistemas de control de procesos comple-jos se realizan dos tipos de actividades: Conduc-tistas y Cognoscitivas. Las actividades conductistasson facilmente implantables en un ordenador; noası las cognoscitivas, esencialmente las derivadasde la intuicion y prevision. Por este motivo es pre-ciso mantener al humano en el bucle de control,aunque se pueden desarrollar entornos que le ayu-den en su labor.

Estos dos tipos de actividades estan estrecha-mente relacionadas con las dos etapas fundamen-tales en cualquier sistema de control: Valoracionde la situacion, que es esencialmente cognoscitivay determinacion de la actuacion que suele ser pro-cedural.

Dado que parece imposible suprimir al hom-bre del bucle de control debido a la necesidad delos elementos que aporta (esencialmente sentidocomun), tradicionalmente se ha tratado de solven-tar esta problematica (automatizacion de las fun-ciones del operador) mediante el desarrollo de sis-

temas de asistencia al humano. Ejemplos de estetipo de sistemas son los sistemas inteligentes deayuda a la toma de decisiones. En ellos se realizauna gestion eficiente de la informacion disponiblepor el operador. De este modo el operador puederealizar sus actuaciones de una forma mucho masfiable, ya que se disminuye el elemento intuitivode la misma. En este tipo de sistemas se produceuna delegacion dinamica de tareas del operadoral sistema ayudante, permitiendo de este modo aloperador estar en cada momento con el nivel detrabajo mas adecuado. Esto es cierto salvo cuandose necesita gran cantidad de potencia en alto ni-vel, esto es, cuando existen varias tareas a realizarque precisan de la capacidad del humano; en es-ta situacion el sistema ayudante no puede prestarninguna ayuda, ya que su capacidad esta limitadaa las tareas mas simples y repetitivas.

Ante esta situacion surge la pregunta:

¿Es posible reemplazar al operador humano por unsistema artificial que presente una funcionalidad equi-valente?

2.6. Inteligencia Artificial enControl

La inteligencia artificial es un grupo de tecni-cas muy fertil, capaz de dar soporte para solucio-nar problemas en los ambitos mas diversos de lainformatica. Por ello el control no ha escapado dela influencia de estas tecnicas. El enfoque del usode inteligencia artificial en control no ha sido nun-ca homogeneo, realizandose desde multiples di-recciones y con propositos muy diferentes. Estospropositos cabe diferenciarlos en dos grandes gru-pos: a) Ayudas al diseno y construccion de siste-mas de control convencionales y b) control propia-mente dicho.

El primer punto no entra dentro de los objeti-vos considerados en esta tesis, por lo que no sehara ninguna otra referencia a el, restringiendonosal segundo punto.

De un tiempo a esta parte han venido apare-ciendo una serie de comunicaciones sobre la utili-zacion de tecnicas de inteligencia artificial en con-

10


Control Supervisor

Ventajas

Capacidad de determinacion de acciones correctasaun con informacion incompleta El hombre tiene sentido comun

Capacidad de aprendizaje

Desventajas

Falta de uniformidad en la actuacion

Sobrecarga Informativa del operador El hombre no es una maquina

Errores humanos: cansancio, inexperiencia, desidia, etc.

Tabla 2.1: Ventajas y desventajas del control supervisor.

trol. Este interes parece proceder de tres fuentesdiferentes:

Ingenierıa de control, que, ante la necesidadde hacer frente a problemas de control dedifıcil solucion, tratan de encontrar en la in-teligencia artificial tecnicas que les permitanafrontar dicho problema.

Inteligencia artificial, en la que el campo deaplicacion se va ensanchando progresivamen-te.

Grupos de gente de pensamiento sincreticoque ven en la union inteligencia artificial-control el marco adecuado para experimentarsobre temas esencialmente filosoficos.

Nuestro caso esta dentro del primer grupo. Elproposito que nos anima es controlar procesoscomplejos que se han resistido a los enfoques clasi-cos. La inteligencia artificial, con su enfoque he-terodoxo, puede permitirnos formalizar y utilizarinformacion sobre el proceso a controlar difıcil-mente integrable en un sistema clasico.

El surgir de nuestras ideas y objetivos de con-trol es debido a una natural evolucion dentro del

campo del control de procesos de produccion decemento. Esta ha sido un area tradicional de I+Ddentro del departamento en que se ha desarrolla-do esta tesis, en colaboracion con una importan-te empresa del sector. Las posibilidades de con-trol clasico de este tipo de sistemas han venidomostrandose muy limitadas, al ser procesos conruidos de todo tipo y comportamientos erraticos,fundamentalmente debidos a la variabilidad delos materiales de partida. La inteligencia artificialofrece perspectivas nuevas para enfocar el proble-ma del control de este tipo de procesos, y es porello que los desarrollos presentados en esta tesistienen una orientacion decidida hacia la aplicacionindustrial mas o menos inmediata.

Como veremos en capıtulos posteriores, la au-tomatizacion total de la planta —no intervencionhumana— sera un objetivo de importancia progre-sivamente reducida. Otros objetivos —seguridad,estabilidad, etc.— nos conduciran a la idea del sis-tema hombre-maquina como la solucion de con-trol mas adecuada; aunque la inteligencia artifi-cial nos permitira construir mecanismos de controlmuy avanzados basados en la manera en que loshumanos controlan este tipo de procesos.

11


Inteligencia artificial en controlCONTROL OPERADOR DISENO AUXILIAR

ON-LINE Control basado enreglas

Ayudas Analisis deComportamientos

Diagnostico

Control borroso Alarmas MantenimientoPreventivo

Valoracion deestado

Valoracion deestado

Lenguaje Natural

Filtrado de acciones

OFF-LINE Planificacion Tutores CAD Diagnosticopost-mortem

Simulacion EntrenadoresExploracion deespacios de diseno

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

2.6.1. Objetivos

Los objetivos que se tratan de conseguir conla introduccion de inteligencia artificial en controlse resumen en uno: tratar de resolver determinadosproblemas de control frente a los que otras tecnicas decontrol mas convencionales se han mostrado ineficaces.El sistema que se decribe en el Capıtulo 7 de estatesis se desarrollo despues de explorar multiplesalternativas de control de proceso incluyendo sis-temas de control adaptativo-predictivo y sistemasde control borroso globales.

Las aplicaciones de la inteligencia artificial encontrol comenzaron ya en los primeros tiemposde la inteligencia artificial. Los primeros planifi-cadores se desarrollaron de hecho como soportedel mas alto nivel para control de robots [Fu 87].No obstante, en el campo del control de procesoslas aplicaciones pioneras se centraron en el area desistemas de diagnostico. La utilizacion en lınea deestos sistemas ha sido sumamente dificultosa, de-bido fundamentalmente a sus malas caracterısti-cas de funcionamiento en tiempo real; no obstante

su introduccion es progresiva, empezando por sis-temas de soporte de decisiones para operadores yconcluyendo con autenticos sistemas de control.

2.6.2. Aplicabilidad

Si preguntamos ¿Es aplicable la inteligencia ar-tificial en control de procesos complejos? la res-puesta es inmediata: SI. Pero esta respuesta no de-be conducirnos a apreciaciones erroneas. La inteli-gencia artificial es aplicable a cualquier cosa, y esteha sido siempre su punto fuerte; cuando no se sabecomo resolver un problema por un metodo clasicose recurre a las tecnicas de la inteligencia artificial.Por otra parte el punto en contra de las aplicacio-nes basadas en inteligencia artificial es su coste dedesarrollo, comprobado fundamentalmente en elarea de los sistemas expertos.

Solo cuando la solucion automatizada de unproblema es difıcil por los metodos clasicos y ofre-ce importantes promesas economicas es plante-able el uso de tecnicas de inteligencia artificial pa-

12


ra la solucion del mismo.

Jakob [Jakob 90] afirma que las aplicacionesde la inteligencia artificial en este tipo de proce-sos que vale la pena desarrollar se caracterizan portres factores:

La complejidad generalizada debido a la di-versidad del sistema; esto es, complejidadesprimaria y secundaria.

La necesidad de tener en cuenta el tiempo.

La necesidad de manejar incertidumbre aunen circunstancias normales; complejidad ter-ciaria.

Sin embargo todos estos factores son tan soloaspectos de la caracterıstica fundamental de estossistemas: la complejidad estructural y de interac-cion del sistema a controlar que es el origen de uncomportamiento dinamico complejo. Esta comple-jidad del comportamiento dinamico es la que con-duce a la necesidad de incluir los factores temporaly de incertidumbre mencionados.

En resumen podemos concluir que la inteligen-cia artificial es aplicable en control fundamental-mente por un aspecto: su capacidad de utilizar re-presentaciones del conocimiento heterogeneas, loque va a permitir hacer frente a los problemas de-rivados de la complejidad de los procesos a con-trolar.

2.6.3. Reutilizabilidad

El desarrollo de sistemas de control inteligentees muy costoso, y como la mayor parte del softwa-re de alto nivel requiere en la mayorıa de los casospartir de cero en su desarrollo.

La reutilizacion del software de control inteli-gente es un objetivo muy deseable por diversas ra-zones:

Coste : El coste de desarrollo de este tipo de sis-tema es muy elevado, por lo que cualquierreutilizacion de software ya desarrollado su-pondra un ahorro, siempre que la integracionde tal software no sea mas costosa que el pro-pio desarrollo.

Seguridad : El software que se utiliza de mane-ra repetida —y que se mantiene— es muchomas seguro que las aplicaciones de usar y ti-rar, ya que durante la utilizacion del mismose descubren errores cuya correccion permitemejorar el sistema.

Tiempo : El uso de software ya desarrollado per-mite tener disponible el sistema de control enun plazo mucho menor, lo que redunda a suvez en el coste.

Las tecnicas de inteligencia artificial son hete-rodoxas, y por ello permiten la adaptacion muyajustada de los mecanismos de representacion alas entidades del dominio de aplicacion. Esto difi-culta sobremanera la reutilizabilidad de los desa-rrollos previos. No obstante se puede alcanzar unacierta reutilizabilidad si:

Los desarrollos se modularizan, de forma quelos elementos dependientes de la planta que-den separados del resto del sistema. Esto esen el fondo lo que propugna la tecnologıa delos sistemas expertos, pero el problema delcontrol de un proceso determinado requiere amenudo de enfoques particulares que se apar-tan del paradigma motor de inferencia - basede conocimiento (MI-BC).

Se desarrollan los sistemas orientandolos a ti-pos de procesos, no tratando de realizar exce-sivas generalizaciones —que conducen a fal-ta de prestaciones— ni particularizaciones —que limitan la reutilizabilidad.

2.7. Campos de Aplicacion

Los campos de aplicacion varıan en un amplioespectro [Bartos 89], desde la operacion fuera delınea hasta la aplicacion en lınea. Desde los siste-mas de ayuda a los operadores hasta la implan-tacion de reguladores basados en reglas. Una lis-ta indicativa de las aplicaciones posibles es la si-guiente:

Sistemas de ayuda [Cross 86].

Tutores inteligentes [Yazdani 86a][Sleeman82][Brown 82].

13


Sistemas de diagnostico post-mortem [Cuena89].

Sistemas de diagnostico en lınea [Karel89][Scarl 87].

Ayudas al diseno (CAD) [Hinkelmann89][Lan 90].

Sistemas de alarma inteligentes [Henkind 87].

Reguladores basados en reglas [Bernard88][Shirley 87]

Reguladores borrosos [Efstahtiou 87][Cerezo88][Tong 77].

Sistemas de dialogo e interfases en lenguajenatural [Ehrich 83].

Sistemas de mantenimiento [Cuena 89].

Sistemas de deteccion de averıas [Kitowsky87][Scarl 87].

Prediccion de comportamiento [D’Ambrosio89a][Widman 89b].

Valoracion de estado del sistema [Bailey 88].

Filtrado de acciones de operadores [Johansen83].

Interpretacion de informacion de bajo nivel[Forbus 87][Pau 89].

Estas aplicaciones se pueden agrupar segun va-rios criterios, que permiten caracterizar su funcio-namiento:

Modo de operacion:

• En lınea.

• Fuera de lınea.

Orientacion

• Operador: Orientada a operador.

• Control: Orientada a proceso.

• Auxiliar: Soporte de sistema.

14

Capıtulo 3

Modelos Simbolicos de SistemasFısicos

Experience has shown thatdesigning a good representation

is often the key to turninghard problems into simply ones

Patrick Henry WinstonArtificial Intelligence, 1984

3.1. Introduction

En un sistema de control es de fundamentalimportancia el conocimiento sobre el sistema acontrolar. Este conocimiento se emplea de formaimplıcita o explıcita en dicho sistema de control. Enel caso de sistemas de control avanzados la repre-sentacion de esta informacion es el factor mas crıti-co y que determina las prestaciones del sistema.En el caso de un sistema de control clasico esta re-presentacion es simple y directa: un modelo ma-tematico realizado mediante ecuaciones diferen-ciales. Este modelo se utiliza de forma implıcita enel calculo en la mayorıa de los reguladores, y deforma explıcita en alguno de ellos (MRAC).

Cuando el proceso es muy complejo la posibi-lidad de usar este tipo de representaciones ecua-ciones diferenciales es remota. Es preciso utilizarotros enfoques como puede ser el de la inteligen-cia artificial. En este caso las necesidades del sis-tema de representacion son extremas, al surgir lanecesidad de manejar informacion en niveles deabstraccion muy diferentes.

3.2. Modelos

Los modelos son parte fundamental en todoslos sistemas que interaccionan, ya que son parte delos mecanismos que conducen dicha interaccion.Las personas interaccionan con el mundo, y porello precisan de modelos del mismo que les per-mitan interpretar lo que les llega por los sentidospercepcion. Las maquinas, en particular los siste-mas autonomos que realizan funciones cognosciti-vas, precisan tambien de estos modelos para reali-zar de forma adecuada su funcion.

3.2.1. ¿Que es un Modelo?

Segun la Enciclopædia Britannica un modelo esuna representacion simplificada del mundo real,y, como tal, incluye solo las variables relevantespara el problema que se maneja. Si se modela uncuerpo en caıda libre no parece necesario incluir elcolor del mismo en el modelo. Aun mas, un mo-delo puede no incluir todas las variables relevan-tes si con solo algunas de ellas responde suficiente-mente bien a los fenomenos a explicar. El modeloqueda mermado en su precision, pero sigue siendoutil.

Otras definiciones de modelo son las siguientes:

“Cosa en que alguien se fija para hacer otra igual”[Moliner 89]. Este es el sentido mundano deltermino.

“Un sistema artificial con el que se pretende re-producir, o imitar, el comportamiento de un

15


sistema concreto” [Aracil 86]. Este es el senti-do sistemista.

Para Rothemberg [Rothemberg 89] modelar eshacer un uso de una cosa en vez de otracon un proposito cognoscitivo y de maneraeconomicamente eficiente.

El termino modelo aparece dentro de un proce-so de representacion, pero no obstante se utilizacon dos significados fundamentalmente opuestoscomo aparece reflejado en las dos anteriores defi-niciones [Aracil 86]:

La cosa representada.

La cosa representante.

La segunda acepcion es la utilizada habitual-mente en el ambito tecnico, quedando la primerapara otros usos.

Los modelos son construidos por las personas,y por ello, un modelo no es mas que una construc-cion subjetiva en la cual el humano reune su ex-periencia sobre un entidad real. El termino clavees subjetivo. La subjetividad del modelo es debidaa que se construye mediante un proceso cognosci-tivo llevado a cabo por un humano. Los intentosde construccion de sistemas de percepcion del en-torno para sistemas autonomos se encuentran conla problematica de la formulacion del modelo queservira de base a dicha percepcion.

De especial importancia son los modelos ma-tematicos. Esta importancia radica en su comuni-cabilidad. Un modelo subjetivo esta asociado estre-chamente al sujeto que lo desarrolla, siendo de ex-trema dificultad su comunicacion. Si el ente a mo-delar admite la formulacion matematica del mo-delo, se puede construir un modelo compartible porvarios individuos. Los modelos simbolicos1 que sedesarrollan en inteligencia artificial tienen esta ca-racterıstica. Estan construidos en un nivel de abs-traccion mayor que el numerico pero son compar-tibles.

La posibilidad de formular matematicamentelos modelos es muy relativa, restringiendose a sis-

1Cuando se utiliza el termino simbolico se debe entendercomo no numerico.

temas de complejidad limitada. Las tecnicas ma-tematicas avanzan, sin embargo, en el desarrollode tecnicas de modelado progresivamente eficacesen la construccion de modelos matematicos de sis-temas complejos [MacFarlane 70].

3.2.2. Caracterısticas de los modelos

El modelado no es una actividad susceptiblede estandarizacion; como ya se ha mencionado losmodelos son el resultado de una actividad cognos-citiva de un humano, y por ello son susceptibles desufrir grandes variaciones de una persona a otra.Aun en el caso de modelar un sistema simple losmodelos pueden diferir.

Es preciso analizar cuales son las caracterısti-cas fundamentales de los modelos y que nos vana permitir analizarlos. Estas caracterısticas son lasrelacionadas fundamentalmente con los aspectostecnicos referentes a esta tesis, sin que se trate derealizar un estudio exhaustivo de las mismas.

El primer aspecto caracterıstico de un modeloes su profundidad. La profundidad de un mode-lo esta relacionada con el proceso de abstraccionmediante el cual se obtiene el modelo a partir delsistema real. Un modelo sera tanto mas profun-do cuantos mas aspectos relacionados con el com-portamiento del sistema real esten expresados enel modelo. En este sentido Hinkelmann [Hinkel-mann 89] dice:

“Consider two models of expertise M and M’. Wewill say that M’ is deeper than M if there exists someimplicit knowledge in M which is explicitly representedor computed in M’”2

De acuerdo con Hinkelmann podemos formu-lar un principio de profundizacion de modelos,afirmando que profundizar es explicitar:

PROFUNDIZACION ≡ EXPLICITACION

Los modelos pueden tratar de representar elsistema tal como es, o pueden intentar exclusiva-mente responder a determinados aspectos. En estesentido diremos que un modelo es directo u orienta-do. Un modelo orientado es un modelo que no tra-

2Consideremos dos modelos de pericia M y M’. Diremosque M’ es mas profundo que M si existe algun conocimientoimplıcito en M que es representado explıcitamente en M’.

16

Capıtulo 3. Modelos Simbolicos de Sistemas Fısicos

ta de reproducir el comportamiento fundamentaldel sistema modelado, sino que trata exclusivamen-te de generar una representacion de determinadosaspectos del sistema. En cierta medida todos losmodelos son modelos orientados, ya que todos seconstruyen con un objetivo particular en mente, yes con este objetivo en el horizonte como se cons-truye el modelo del sistema. No obstante entre dosmodelos es por lo general posible determinar cuales mas orientado a una aplicacion determinada.

Este tipo de representaciones que modelan ex-clusivamente el comportamiento sin hacer referen-cia a la manera en que este se produce se denomi-nan modelos de comportamiento o someros. Porcontra los modelos que hacen uso de representa-ciones basadas en dependencias causales se los de-nomina modelos causales o profundos. Este es elsentido de la distincion que hace Klir entre mode-los de comportamiento y modelos UC y ST [Klir69].

Un ejemplo muy claro de orientacion de mode-los se da en los sistemas de diagnostico. En diag-nosis se usan dos tipos de modelos [Hinkelmann89]:

Fisiologicos: tratan de representar el sistema deforma que se pueda responder del comporta-miento normal del mismo.

Patofisiologicos: tratan de responder al compor-tamiento anormal del sistema. En este caso elmodelo se realiza por lo general en base a unalista de faltas establecidas a prıori.

Esta distincion es clara en modelos someros,pero en modelos profundos no lo es tanto, ya quela patologıa es en esencia una modificacion delcomportamiento fisiologico normal. Con modelosprofundos la patologıa se representa por medio deuna alteracion del modelo, una alteracion fisiologica.El modelo debe ser lo suficientemente profundocomo para representar todas estas posibles altera-ciones, etiologıas del comportamiento patologico.

Como ya hemos comentado con anterioridadun modelo sera tanto mas explıcito cuanto masprofundo sea. Explicitar supone declarar los me-canismos subyacentes que responden del compor-tamiento, sin dejar la justificacion del mismo a re-presentaciones ad hoc.

El modelo se puede construir de forma que ex-prese el comportamiento del sistema solo desde elpunto de vista de las entradas y salidas del mismoo del comportamiento interno [Fernandez 77]. Es-tos dos tipos de modelos se denominan respectiva-mente modelos externos e internos. En el primer ca-so se considera el sistema como una caja negra, y loque se pretende con el modelado es construir otrosistema que se comporte de la misma forma por loque a magnitudes medibles se refiere, esto es, deberesponder con las mismas salidas a las mismas en-tradas. Por contra en los modelos internos lo quese pretende es conseguir un conjunto de variablesinternas que respondan a variables reales del siste-ma modelado. De este modo se logra tambien unareproduccion del comportamiento externo en basea un modelo interno del sistema.

Los medios para construir los modelos son di-versos, pasando desde las ecuaciones diferenciales[MacFarlane 70] a los modelos por lotes basadosen automatas finitos [Zeigler 90] y a los modeloscualitativos [Bobrow 84]. El uso que se pretendehacer de los modelos determina en gran manerasu construccion.

Los modelos se pueden clasificar en dos gran-des tipos de acuerdo con el tipo de sistema quemodelan: los modelos de sistemas continuos y losmodelos por lotes. En esta tesis nos centraremos es-pecıficamente en modelos de sistemas continuos,que son los mas aplicables en la industria de pro-ceso. En estos modelos se trata de representar elcomportamiento del sistema en base a una seriede variables que evolucionan en el tiempo de for-ma continua.

Las tecnicas de modelado aplicables son mu-chas, situandose en niveles de abstraccion dife-rentes. Ası los modelos basados en ecuaciones di-ferenciales son los modelos menos abstractos, si-tuandose en el extremo opuesto los modelos parasimulacion basada en el conocimiento.

3.2.3. Modelos informaticos

La informatica se basa en la construccion demodelos del mundo, ya que la informacion no esmas que eso: modelo de la realidad. Los progra-mas informaticos tratan de hacer frente a proble-

17


mas de la realidad mediante el manejo de infor-macion estructurada referente a ese mundo. Estainformacion estructurada no es mas que un modelode la porcion del mundo con la que se esta traba-jando. Esto aparece claramente ya en [Lehman 80],en el que se clasifican los tipos de programas enfuncion de el tipo de modelo y la posibilidad de sucompleccion. La inteligencia artificial es en esen-cia un enfoque heterodoxo para la construccion demodelos informaticos del mundo, y es desde estaperspectiva heterodoxa como las aplicaciones ba-sadas en inteligencia artificial —lease fundamen-talmente sistemas expertos— han conseguido suexito.

En cualquier tipo de aplicacion informaticaexiste un modelo de la porcion del mundo con laque trabaja. Este modelo puede formularse explıci-tamente o estar incluido de manera implıcita en losprocedimientos o estructuras de datos que compo-nen la aplicacion informatica. Para realizar cual-quier tipo de actividad sobre un objeto, persi-guiendo unos determinados fines, es preciso cono-cer como va a reaccionar dicho objeto a nuestrasacciones. Este conocimiento del comportamientodel objeto es un modelo de dicho objeto. Este mo-delo aparecera representado de forma implıcita enlos mecanismos que implantemos para la inter-vencion sobre el mismo.

El control, por otra parte, se basa tambien enmodelos del mundo, aunque en este caso los mo-delos suelen tener dos caracterısticas muy especia-les:

Su formulacion matematica; suelen ser expre-sados mediante ecuaciones diferenciales.

Su restringido alcance; modelan pequenasporciones del mundo, esto es sistemas pococomplejos.

Vemos que el ambito de aplicacion del controlclasico son los sistemas simples y que admiten re-presentaciones matematicas, en los cuales aunqueexiste una cierta flexibilidad por lo que se refierea la formulacion matematica no sucede lo mismocon la simplicidad. El control de sistemas comple-jos es una asignatura pendiente, sobre todo cuan-do el sistema tiene complejidades secundaria y ter-ciaria elevadas (ver Capıtulo 2). Para comprobar

este punto no tenemos mas que observar la tecni-ca habitual de hacer frente a sistemas complejos:reduccion y desacoplamiento.

En esta tesis doctoral se trata de aplicar el pun-to de vista heterodoxo de construccion de modelos—tomado de la inteligencia artificial— a la cons-truccion de modelos de sistemas con complejidadterciaria, para su utilizacion en control de los mis-mos.

3.3. Modelos para Control

En esta tesis se desarrolla una arquitectura decontrol que esta basada en la utilizacion en lıneade un modelo del proceso a controlar. Este tipode tecnica se enmarca dentro de lo que en inge-nierıa del conocimiento se ha dado en llamar ra-zonamiento basado en modelos. En ocasiones se sueleutilizar el termino control basado en el conocimien-to para referirse a una serie de metodos de controlbasados en tecnicas tomadas de la ingenierıa delconocimiento. El uso de este tipo de expresion esquiza inadecuado, ya que para controlar cualquierproceso hace falta un cierto conocimiento del mis-mo en el que se basa el sistema de control.

En la terminologıa sobre los tipos de controlexisten una serie de usos de la misma que condu-cen a confusiones y errores de interpretacion.

El control se basa siempre en el conocimien-to sobre el proceso a controlar, conocimiento queconstituye un modelo del proceso. Por ello todoslos controles serıan agrupables bajo el termino decontrol basado en el conocimiento o control basado enmodelos. A pesar de lo mencionado, y para ajus-tarnos a los usos mas generalizados, cuando utili-cemos el termino control basado en modelos nos re-feriremos al control basado en modelos simbolicosexplıcitos. En esta ultima frase es preciso aclarar eltermino simbolico. En este caso sucede lo mismoque con el conocimiento; habitualmente se usa eltermino simbolico en contraposicion a numerico, yeste sera el uso que le demos, teniendo en cuantano obstante que los numeros tambien son sımbo-los.

En la Tabla 3.3 se presentan algunos ejemplosde control, clasificados segun el tipo de modelo

18


Ejemplo de Usos de Modelos en Control

Tipo de Modelo Explıcito Implıcito

Simbolico Control Basado enModelos (CBM)

Control basado enReglas (CBR)

NumericoControl adaptativo conmodelo de referencia

(MRAC)

Control Proporcional,Integral, Diferencial

(PID)

Tabla 3.1: Ejemplos de uso de modelos considerando dos aspectos fun-damentales: explicitud y abstraccion.

empleado: simbolico versus numerico y explıcitoversus implıcito. En dicha tabla se presentan lossiguientes ejemplos:

PID: Control PID. Es quiza el control mas clasico.En el el modelo es implıcito, ya que se utilizapara el diseno del regulador, y por tanto po-demos afirmar que esta incluido en el. Ademaseste modelo es numerico, expresable en formade ecuaciones diferenciales o de funciones detransferencia.

MRAC: Control Adaptativo con Modelo de Refe-rencia. (Model Reference Adaptive Control3).Un tipo de control adaptativo en el que se for-mula de manera explıcita un modelo que esempleado durante la actividad de control. Es-te modelo es al igual que en el caso del PIDnumerico, aunque no es un modelo del proce-so a controlar sino de como nos gustarıa quefuera el proceso. Otro tipo de control adaptati-vo, el STR, utiliza tambien un modelo del pro-ceso, que es objeto de un ajuste periodico.

CBR: Control Basado en Reglas. En este caso elsistema de control se basa en un conjunto dereglas que constituyen la base de conocimien-to de control. Estas reglas se extraen del cono-cimiento sobre control del proceso que tiene

3Se ha respetado el acronimo anglosajon por estar muy ex-tendido su uso.

una determinada persona, siendo por lo tan-to una concrecion informatica de un modelomental. En este caso el modelo es simbolico eimplıcito en las reglas, del mismo modo queera implıcito en el PID.

CBM: Control Basado en Modelos. En este casoel modelo del proceso a controlar aparece deforma explıcita en la base de conocimiento delsistema de control. Este modelo es simbolicoen el sentido mas general, pudiendo tener to-da una gama de niveles de resolucion: desdeel modelo numerico ecuaciones diferencialeshasta un modelo en un nivel de abstraccionmaximo grafo de dependencias causales. Estemodelo se empleara en mecanismos de razo-namiento basado en modelos (RBM) para ob-tener las acciones de control.

3.3.1. Utilizacion de modelos numeri-cos

Los modelos utilizados en el desarrollo de losreguladores clasicos son modelos basados en ecua-ciones diferenciales ordinarias. Por ejemplo, en elsistema de la figura un objeto en caıda libre se tie-ne el siguiente juego de ecuaciones diferenciales:

dy

dt= v

19


dv

dt= a

a = cte = −g

Este conjunto de ecuaciones constituye unmodelo del sistema lo suficientemente comple-to como para representar el comportamiento delmismo de interes para nosotros. La solucion dela ecuacion diferencial constituye una descripcionde la evolucion temporal del sistema al nivel derepresentacion que hemos formulado el modelocaıda libre, en el vacıo, etc.

vy

Figura 3.1: Objeto en caıda libre.

El desarrollo de sistemas de control clasicos sebasa fundamentalmente en el conocimiento de unmodelo del proceso [MacFarlane 70]. Este modelose expresa mediante ecuaciones diferenciales ordi-narias o bien mediante ecuaciones en diferencias.Los metodos de construccion de reguladores uti-lizando estos modelos implıcita o explıcitamenteno es objetivo de esta tesis, pudiendo encontrar-se multitud de referencias sobre el tema [Astrom88][Astrom 89b].Profundizar aquı.

3.3.2. Utilizacion de modelos simboli-cos implıcitos

Los sistemas de control basados en reglas seconstruyen mediante un proceso de adquisicion deconocimiento, mediante el cual se extrae de los ex-pertos en control de un determinado sistema lasreglas de control que utilizan. Estas reglas son enterminos simples de la forma:

SI<Situacion>

ENTONCES<Accion>

donde se tratan de expresar protocolos de con-trol similares a los que emplean los humanos.

De este modo se realiza un sistema de controlen el que el modelo del proceso no aparece explıci-tamente, sino que este modelo es una representa-cion informatica del modelo subjetivo que el ex-perto tiene en su mente. En las reglas tenemos unarepresentacion implıcita del mismo; esto se puedecomprobar si se observa que de las reglas se puedededucir, en parte, el comportamiento del sistema.El modelo implıcito contenido en las reglas es unasimplificacion del modelo mental del experto. Estasimplificacion se hace por abstraccion del modelo,reteniendo solo los aspectos de comportamientodel mismo relevantes al control. Esta abstraccionse realiza en un determinado nivel de representa-cion.

Consideremos por ejemplo un sistema simple:un par de grifos de agua frıa y caliente de una du-cha. El problema del control en este caso es conse-guir dos objetivos simultaneamente: una tempera-tura adecuada y una cantidad suficiente de agua.En este caso los expertos somos practicamente to-dos, por lo que sera mas facil comprender el me-canismo de obtencion de las reglas de control.

Las reglas de control en este caso se formulancon dos variables en las premisas y dos acciones enlas conclusiones. La base de conocimiento de con-trol de este sistema sera algo ası como el conjuntode reglas representado en la Figura 3.2.

En este caso hemos obtenido nueve reglas (32)en funcion de dos variables en las premisas y tresposibles valores simbolicos para cada una de ellas(alto, normal, bajo). Esta base de conocimientoesta construida en un determinado nivel de

20


SI la temperatura es baja y el caudal es bajoENTONCES aumentar agua caliente

SI la temperatura es baja y el caudal es normalENTONCES aumentar agua caliente y disminuir el agua frıa

SI la temperatura es baja y el caudal es altoENTONCES disminuir el agua frıa

SI la temperatura es normal y el caudal es bajoENTONCES aumentar agua caliente y aumentar agua frıa

SI la temperatura es normal y el caudal es normalENTONCES no hacer nada

SI la temperatura es normal y el caudal es altoENTONCES disminuir agua caliente y disminuir agua frıa

SI la temperatura es alta y el caudal es bajoENTONCES aumentar agua frıa

SI la temperatura es alta y el caudal es normalENTONCES disminuir agua caliente y aumentar agua frıa

SI la temperatura es alta y el caudal es altoENTONCES disminuir agua caliente

Figura 3.2: Base de conocimiento de control del sistema de dos grifos.

abstraccion, correspondiendo a un modelo en elque la temperatura puede ser alta, baja o normal.Es posible construir bases de conocimiento decontrol en base a utilizar un modelo con otronivel de resolucion. Los modelos mentales queemplean las personas tiene la propiedad de multi-resolucionalidad, lo que permite extraer modeloscon diferentes niveles de abstraccion. El juegode reglas se formularıa, por ejemplo, en base alos siguientes valores para la temperatura: MUYALTA, ALTA, POCO ALTA, NORMAL, POCOBAJA, BAJA y MUY BAJA. De este modo, y man-teniendo los tres valores simbolicos para el caudalel numero de situaciones distintas reconocibles eneste nivel de abstraccion serıa de: 7x3 = 21; con loque dispondrıamos de 21 reglas posibles. Proba-blemente en este caso nos vieramos conducidos autilizar mas valores simbolicos para las variablesde actuacion (las que aparecen en las conclusionesde las reglas).

3.3.3. Utilizacion de modelos simboli-cos explıcitos

Si nos paramos a pensar un momento veremosque cuando nosotros humanos resolvemos un pro-blema como el planteado en la ducha, no utiliza-mos un juego de reglas como las presentadas en elpunto anterior, sino que utilizamos un modelo delsistema para averiguar como debemos actuar paraconseguir unos determinados fines.

El modelo mental se estructura en torno a lasvariables caracterısticas del sistema e incluye de-pendencias entre ellas. De este modo en el mode-lo para la ducha tendremos entre otras una varia-ble denominada Temp y una variable denominadaQCaliente. La primera hace referencia a la tempera-tura del agua que sale por la ducha y la segunda alcaudal de agua caliente, controlado por el corres-pondiente grifo. Existe en dicho modelo tambienuna relacion entre ambas variables, que expresa larelacion de causalidad existente entre la variacionde caudal de agua caliente y la variacion de tem-peratura del agua de la ducha. Esta relacion podrıaexpresarse como4:

4M+ corresponde a la terminologıa de Kuipers [Kuipers 84].

21


Temp = M+(QCaliente)

expresion en la que se ha empleado la nota-cion de Kuipers [Kuipers 84] para representar ladependencia monotona creciente. Con ella quere-mos expresar que, de mantenerse las restantes va-riables iguales, un incremento en QCaliente conlle-va un incremento en Temp. Esto es si aumentamosel agua caliente, dejando el grifo de la frıa igual, latemperatura del agua de la ducha aumentara. Delmismo modo podrıamos expresar las dependen-cias entre las demas variables.

CalienteFria

Caudal Temperatura

M+M+M+M−

Figura 3.3: Modelo cualitativo del sistema de dos grifoscaliente/frio.

Aparte de las dependencias funcionales (M+ yM−) existen otro tipo de restricciones mas rıgidas,por ejemplo que los caudales tienen sus lımites.Los modelos tienen rangos de validez limitados,regiones de operacion en las cuales el modelo es vali-do, pero que fuera de ellas el modelo adecuadoque refleja mejor las caracterısticas del sistema esdiferente. Estas regiones estan limitadas por res-tricciones a los valores de las variables del siste-ma. En nuestro caso, cuando el caudal de agua frıaes nulo (QFria = 0) la ecuacion de dependenciafuncional 3-1, deja de tener validez, ya que si nohay agua frıa la Temp es igual a la temperatura

del agua caliente, independientemente de lo quevalga el caudal de la misma (QCaliente).

Debemos ver que la determinacion de la accionde control no se lleva a cabo en este caso mediantereglas que especifiquen esta en funcion de la si-tuacion, sino que se obtiene a traves de un proce-so de razonamiento causal. Este proceso conllevauna exploracion hacia atras del grafo de dependen-cias causales.

Ası en vista de ese grafo vemos que si quere-mos bajar la tempratura, las posibilidades son dos:

1. Bajar el caudal QCaliente (en virtud de la rela-cion M+ bajara Temp).

2. Subir el caudal QFria (en virtud de la relacionM− bajara Temp).

El determinar cual de las dos opciones hay queseguir se realizara en base a la otra restriccion, laque fuerza el caudal deseado.

Vemos pues que no tenemos en nuestra ba-se de conocimiento pares (situacion, accion) comotenıamos en el caso de usar modelos implıcitos,sino que tenemos relaciones mas abstractas peroen relacion mucho mas inmediata con el mundo acontrolar.

3.4. Modelos Cualitativos

El tipo de representacion utilizado en el ulti-mo apartado se enmarca dentro de lo que se de-nomina modelado cualitativo. Este tipo de tecnicatiene su origen en los intentos de formular meca-nismos de razonamiento sobre sistemas fısicos. Laprimera propuesta formal en este sentido se debea Hayes [Hayes 85a], que en su “Naıve physics ma-nifesto” propone una lınea de investigacion teoricaen el campo del razonamiento de sentido comunsobre sistemas. Cuando un humano razona sobreun sistema real gran parte de los conocimientosque emplea son conocimientos prefısicos, adquiri-dos durante la experiencia cotidiana. Este tipo deconocimiento es de muy difıcil formalizacion, tan-to por lo forma intrınseca del mismo, como por ladificultad inherente a su localizacion e identifica-

22


cion dentro de los procesos de razonamiento hu-mano.

Fruto de esta propuesta son una serie de de-sarrollos en los que se proponen tecnicas de mo-delado y simulacion cualitativa de sistemas. Granparte de estos trabajos aparecen referenciados en[Bobrow 84], destacando por su importancia losde de Kleer [de Kleer 84a], Forbus [Forbus 84] yKuipers [Kuipers 86].

Dichos sistemas pueden realizar prediccionesde comportamiento de un proceso determinado,en base a una representacion de la estructura delproceso en terminos de una serie de funciones cua-litativas y restricciones y un estado inicial. El ele-mento caracterıstico son dichas funciones cualita-tivas. Estas son funciones del tiempo que tomanvalores sobre conjuntos finitos de valores cualitati-vos denominados espacios de cantidades. El espa-cio de cantidades mas simple es el compuesto porlos valores {negativo, cero, positivo} que en oca-siones se representa por {−, 0,+}. Este espacio esel mas utilizado y en ocasiones el unico, como esel caso de de Kleer, ya que es el que aporta infor-macion cualitativa mas importante.

El paradigma fundamental de la simulacioncualitativa es la generacion y prueba. El mecanis-mo de simulacion genera un grafo con los posiblesestados sucesores de uno dado, grafo que es po-dado en base a las restricciones. De este modo segenera un grafo de comportamientos, en el que losnodos son estados y el comportamiento del siste-ma es cualquier trayectoria desde el nodo inicial aun nodo terminal. La simulacion cualitativa tieneeste rasgo caracterıstico de multiplicidad, sin quesea posible determinar efectivamente cual serıa latrayectoria real. Enfoques basados en ponderacio-nes tratan de solventar este problema, como es elcaso del de D’Ambrosio [D’Ambrosio 89], que usatecnicas basadas en conjuntos borrosos.

El objetivo final de todos estos sistemas es laderivacion de comportamientos a partir de infor-macion estructural. Esto es un paso de la formu-lacion de modelos de comportamiento somerosa la formulacion de modelos causales profundos.Estos modelos estructurales deben estar libres deasunciones a priori, de forma que se logre el obje-tivo de componibilidad, de acuerdo con el princi-pio formulado por de Kleer de “estructura sin fun-

cion5” [de Kleer 84a].

Utilizando la formulacion de Kuipers [Kuipers86] el ejemplo anterior de un objeto en caıda li-bre (ver Figura 3.3.1) con velocidad vertical positi-va tendrıa la siguiente formulacion. El comporta-miento del sistema viene determinado por las va-riables del mismo, las restricciones (ecuaciones di-ferenciales y constancia de la gravedad) y el estadoinicial:

Tres variables:

y : Posicion vertical.

v : Velocidad vertical.

a : Aceleracion vertical.

Cuyos espacios de cantidades son:

Q(y) = {−, 0,+}

Q(v) = {−, 0,+}

Q(a) = {−, 0,+}

Las restricciones son:

dy

dt= v

dv

dt= a

a = cte = g < 0

El estado inicial es:

y = [+, inc] Posicion >0 y aumentando.v = [+, dec] Velocidad >0 y disminuyendo.a = [g, std] Aceleracion constante.

La simulacion de este sistema nos permitirıadeterminar los posibles comportamientos, que eneste caso serıa esencialmente unico dada la sim-plicidad del problema. El comportamiento de estesistema es el que se representa en la Figura 3.4.

5En el original “no function in structure”.

23


v ay

[+,inc] [+,dec] [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 simulacion del modelo cualitati-vo del objeto en caida libre a partir de una cierta alturay velocidad inicial hacia arriba. Las cajas amarillas re-presentan los diferentes estados cualitativos por los quepasa el sistema.

24

Capıtulo 4

Control Inteligente de Procesos

. . . capability of a system to expose a variety offeatures which traditionally has been out of the

scope of specialists in conventional control theory

Alexander MeystelIEEE Workshop on Intelligent Control 1985

4.1. Introduccion

Hemos visto en el capıtulo 2 el tipo de pro-blemas que deseamos resolver: control de proce-sos complejos. El enfoque tradicional de control esquiza demasiado restringido para hacer frente adeterminados problemas; su potencia esta renidacon la flexibilidad.

La inteligencia artificial permite obtener —encircunstancias determinadas— resultados que seaproximan a los obtenidos por humanos. Dadoque los humanos son capaces de controlar este ti-po de procesos ¿Por que no tratar de emular estacapacidad?.

El enfoque heterodoxo de resolucion de pro-blemas proporcionado por la inteligencia artificialnos permitira atacar el problema de control desdeuna perspectiva multiple, utilizando informacionde las mas diversas fuentes y de los niveles de abs-traccion mas dispares. Todo ello nos conducira alconcepto de control inteligente.

En este capıtulo se realizara una presentaciona fondo de las caracterısticas de los sistemas decontrol inteligente, sus fundamentos y los objeti-vos perseguido en su desarrollo.

Se analizara la problematica de la operacion entiempo real de este tipo de sistemas, proponiendo

en el capıtulo 5 una metodologıa de desarrollo dearquitecturas que permita hacer frente a este pro-blema. En el capıtulo 7 se presentara una arquitec-tura de control —objetivo principal de esta tesis—basada en esta metodologıa.

4.2. Control Inteligente: Objeti-vos y Definiciones

No es facil dar una definicion de control inte-ligente; para comprobarlo basta con las siguientesconcepciones de diferentes autores [Saridis 85]:

G. Saridis: Propone un modelo probabilıstico —entropıa— del control inteligente, basado enel principio de Inteligencia Creciente con Pre-cision Decreciente.

Y.H. Pao: Define el control inteligente a traves dela inteligencia artificial, como una combina-cion de las formulaciones analıticas del pasa-do con las capacidades numericas de la era delos computadores.

Y.C. Ho: Propone la vision del control inteligen-te desde el punto de vista de la investiga-cion operativa, como el estudio de los siste-mas dinamicos con eventos discretos.

A. Bejczy: Recomienda una formulacion analıticapor extension de la teorıa de control no lineal.

J. Albus: Sugiere el enfoque de utilizar el modelobiologico del cerebelo como modelo de con-trol jerarquico inteligente.

25


Practicamente, a todo lo que no es PID se le hallamado control inteligente. Para lograr una defini-cion un poco mas clara que las anteriores daremosun pequeno rodeo, que nos conducira a plantear lanecesidad de una cierta tecnica, tecnologıa o meto-dologıa de desarrollo de sistemas de control.

4.2.1. Objetivos generales del controlinteligente

El progreso en la automatizacion de sistemasse ha dado de manos de los tecnicos y de los ma-tematicos a lo largo del tiempo. La fuerza impul-sora de este tipo de avance ha sido la motivacioneconomica. El coste creciente del personal lleva ala busqueda de mejoras de rendimiento en la auto-matizacion de los procesos productivos, junto conmejoras de seguridad y calidad.

De la mano de la teorıa de control automaticose han venido logrando grandes exitos en los ulti-mos decenios. Pero, de un tiempo a esta parte, losproblemas de control de determinados sistemasmantienen su imbatibilidad, a pesar del farragomatematico desarrollado ultimamente. Estos siste-mas se distinguen por tener comportamientos su-mamente anormales, caracterizados fundamental-mente por la fuerte no linealidad o la variabilidaddel sistema. El control de este tipo de sistemas com-plejos se ha mostrado como una asignatura pen-diente de la teorıa del control automatico.

En este punto surge la inteligencia artificialcomo una opcion a tener en cuenta [Astrom 89a][Astrom 89a]. Los sistemas basados en inteligen-cia artificial se caracterizan por su elevado coste dedesarrollo y por la imposibilidad practica de de-terminar a priori los resultados que se van a deri-var de su operacion. Pero aun ası sistemas de estetipo se estan desarrollando, no solo en el ambitoacademico, mas dado a las exploraciones de futu-ro incierto, sino tambien en el industrial.

El control inteligente trata de hacer frente aproblemas de control que se han mostrado insolu-bles con las tecnicas analıticas clasicas y modernas.Estos sistemas de control inteligente se aplicancuando las prestaciones de los sistemas de con-trol convencional no son lo suficientemente bue-nas. Esto se da especialmente en las siguientes cir-

cunstancias [Ilari 87]:

Procesos fuertemente no-lineales.

Procesos con incertidumbre en su comporta-miento dinamico o con derivas de los parame-tros de proceso.

Procesos con variables ocultas, esto es varia-bles no medibles.

Procesos con sensibilidad elevada.

Procesos con perturbaciones aleatorias inten-sas.

Procesos con retardos elevados.

El utilizar tecnicas de inteligencia artificial sedebe no a su inteligencia sino a que la inteligenciaartificial se ha mostrado tradicionalmente eficazcon problemas reticentes; no por que su enfoquesea inteligente, sino porque es —por lo general—un enfoque de fuerza bruta que tarde o tempranoconduce a algo.

4.2.2. Definicion

En este punto podemos dar una definicion decontrol inteligente:

El control inteligente comprende una serie detecnicas —tomadas fundamentalmente de la inteligen-cia artificial— con las que se pretenden resolver proble-mas de control inabordables por los metodos clasicos.

En esta definicion cabe destacar que control in-teligente no es exclusivamente inteligencia artifi-cial, sino que es un enfoque heterodoxo para la re-solucion de problemas de control. En los sistemasde control inteligente los mecanismos numericosy los simbolicos van de la mano en busca de so-luciones. El acoplamiento simbolico-numerico esuna de las tarjetas de visita de los sistemas de con-trol inteligente.

La otra caracterıstica de estos sistemas es queson sistemas basados en inteligencia artificial yconectados al mundo. Las aplicaciones de la inte-ligencia artificial, verbigracia los sistemas exper-tos, se han caracterizado fundamentalmente porsu desvinculacion del mundo. Se encuentran en

26

Capıtulo 4. Control Inteligente de Procesos

contacto con este casi exclusivamente a traves deuna interfase humana, que los aisla en su campa-na de inmaculado razonamiento simbolico.

Por comparar podemos citar a Meystel [Meys-tel 86], que afirma que la primera definicion decontrol inteligente —debida a Saridis— es:

“... capability of a system to expose a variety of fea-tures which traditionally has been out of scope of specia-lists in conventional control theory: decision making,games, image recognition, adaptation to uncertain me-dia, self-organization, planning and scheduling of ope-rations, etc.”1

El control se lleva a cabo no exclusivamentepor medio de un modelo matematico del proce-so a controlar, sino que el centro del sistema decontrol inteligente es una representacion del mundo,limitada al proceso y basada en un conocimientoextenso sobre el proceso y el tipo de operaciones arealizar. Veremos que el control inteligente admitetoda una gradacion desde el simple PID hasta elsistema mas complejo, robusto, tolerante, etc. Laadicion de capas con funciones avanzadas permi-tiran implantar sistemas de control eficaces en unagran variedad de situaciones.

De hecho, algunos autores propugnan quelo adecuado es hablar de sistemas de controlautonomos [Antsaklis 89], siendo el uso de la in-teligencia artificial el medio para lograr esta au-tonomıa. Esta concepcion es sumamente acertada,y nosotros la suscribimos. No obstante el terminocontrol inteligente2 esta tan difundido que se uti-lizara practicamente como sinonimo de controlautonomo.

4.3. Perspectiva Historica

El control inteligente tiene sus inicios en el finalde los anos 70, apareciendo como un area de in-

1... capacidad de un sistema para presentar una serie de ca-racterısticas que han estado tradicionalmente fuera del alcan-ce de los especialistas en teorıa de control convencional: tomade decisiones, juegos, reconocimiento de imagenes, adaptaciona entornos inciertos, autoorganizacion, planificacion y progra-macion de operaciones, etc.

2Es opinion del autor que la tendencia al uso de control inte-ligente frente a control autonomo es debida fundamentalmente aun factor historico y en algunos casos a un criterio comercial.

vestigacion cientıfico-tecnica con visos de filosofıa.Este area se situa en la interseccion de toda una ga-ma de tecnologıas, que, segun Saridis [Saridis 83],son la inteligencia artificial, el control y la investi-gacion operativa. Lo cierto es que el control inte-ligente no es la interseccion de estas tecnologıas,sino que es mas bien la union de las mismas y demuchas otras; probablemente los objetivos que sepretenden conseguir son tan ambiciosos que la fu-sion de todas las tecnicas informaticas no sea sufi-ciente para lograrlos.

El control inteligente es preciso observarlocomo un paso en el desarrollo progresivo de sis-temas de control. Desde los sistemas mas clasicos—por ejemplo PID— hasta los mas avanzados —como el control adaptativo experto [Adaptech 89]o el control robusto [Calle 90] — el objetivo de to-dos los sistemas es el mismo, ampliar el rango decondiciones de funcionamiento mejorando el com-portamiento del sistema controlado. Es desde estepunto de vista como hemos de contemplar el con-trol inteligente, como un aporte de metodos nue-vos para hacer frente a circunstancias que escapa-ban al control mas convencional.

4.3.1. Control clasico y supervisor

En esta tesis nos referiremos con el termino con-trol clasico a todos los tipos de control que cons-tituyen la materia de la teorıa de control. El fun-damento de este tipo de controles es matematico—basandose en modelos matematicos de los siste-mas a controlar.

No entraremos en profundizar en las carac-terısticas de este tipo de control, que pueden en-contrarse en multitud de referencias de controlautomatico. Los avances en este tipo de sistemastratan de hacer frente a problemas inabordablescon los sistemas anteriores, pero, en cualquier ca-so precisan de modelos mas o menos precisos delsistema a controlar. Ejemplos de este tipo de siste-mas de control clasico son el control PID, el controladaptativo o el control robusto.

En esta tesis no se ha planteado como objetivoel analizar las caracterısticas de este tipo de siste-mas, pero baste decir que la problematica en suutilizacion y el motivo para tratar de buscar en

27


el control inteligente la solucion, se centra en to-da una serie de circunstancias anejas al control ydeterminadas por problemas de implantacion delos mismos. Este tipo de circunstancias y su solu-cion parcial a traves del control inteligente son ex-puestas por primera vez por Astrom [Astrom 86],donde aparece por vez primera el termino controlexperto. Cabe destacar entre ellas: seleccion de mo-dos de operacion, filtrado de senales, comproba-cion de alarmas, gestion de situaciones anormales,etc. Todo ello conduce a que las implantacionesutilizando tecnicas convencionales de programa-cion esten constituidas en su mayor parte por codi-go auxiliar. Este hecho por ejemplo ha sido obser-vado en particular en una aplicacion desarrolladapor el autor para control de un molino de cemento.El codigo correspondiente al regulador (dos PIDsen cascada) era del orden de 100 lıneas, mientrasque la aplicacion completa rondaba las 10.000 (in-cluyendo interfases de usuario).

En un sistema de control clasico las tareas basi-cas a realizar son tres:

Captura de datos (sensores).

Calculo de actuaciones (reguladores).

Acciones de control (actuadores).

ActuadorRegulador

Captador

Proceso

Figura 4.1: Esquema de control clasico.

Esto corresponde al esquema clasico de controlque se presenta en la Figura 4.3.1. En el caso decontrol de procesos complejos se lleva a cabo unamodificacion de esta estructura para incluir al ope-rador humano en la misma. Ası se emplean estruc-turas como la que aparece en la Figura 2.1.

4.3.2. Inteligencia artificial y sistemasexpertos

Desde otro punto de vista el control inteligen-te tiene su origen en las tecnologıas de inteligenciaartificial, y , en particular, de sistemas expertos. Es-te tipo de tecnicas se han venido aplicando en elcampo industrial con mayor o menor exito, perosiempre limitadas estrechamente en sus rangos deaplicacion. Estos se han restringido por lo generalal diagnostico y deteccion de faltas y a la genera-cion de consejos para operadores. Ambos tipos deaplicaciones se basan en la utilizacion de procesosde toma de decisiones para determinar el estadofuncional de la planta. Esta restriccion es debida ala falta de prestaciones para operacion en tiemporeal y la falta de fiabilidad y verificabilidad de lossistemas expertos.

Desde el punto de vista de los sistemas exper-tos se puede hablar de tres generaciones de siste-mas expertos progresivamente evolucionadas.

4.3.3. Sistemas de primera generacion

Los sistemas expertos de primera generacionson calificables de clasicos y se extienden desdela aplicaciones de diagnostico a las aplicacionesde control, siendo por lo general sistemas basadosen reglas. Se basan en metodos utilizados en losprimeros sistemas expertos con exito, caracteriza-dos por asociaciones empıricas entre las premisasy las conclusiones. Sin embargo las prestacionesde estos sistemas de primera generacion son limita-das [Alty 87] [Shirley 87], apareciendo una seriede problemas de crucial importancia. Algunos deestos problemas son comunes a todos los camposde aplicacion de los sistemas expertos:

Disminucion brusca de prestaciones cuandose presenta un problema que cae fuera de surango de conocimiento (efecto de degradacionde prestaciones en acantilado o simplemente efec-to acantilado).

Dificultad en la obtencion del conocimientode los expertos, sobre todo cuando son varios.De hecho la adquisicion del conocimiento se haconvertido en uno de los vocablos favoritosde los investigadores en el tema.

28


Incapacidad del sistema experto de aprenderde los propios errores. Salvo casos muy es-pecıficos los sistemas expertos no disponen dela realimentacion —procedente de un expertohumano— ni de los mecanismos para actuali-zar su conocimiento.

Otros problemas relacionados con los anterio-res son especialmente importantes cuando se utili-zan estos sistemas en control directo:

Incapacidad para operar en tiempo real, exa-cerbada en este tipo de sistemas por la “re-coleccion de basura”, dando problemas muygraves cuando esta es no incremental.

Incapacidad de representar fenomenos distri-buidos espacial y/o temporalmente.

Dificultad para los ingenieros de conocimien-to en asegurar la consistencia de la base deconocimiento.

Incapacidad de detectar vacıos en la basede conocimiento. Este punto esta relacionadocon el efecto acantilado, en el sentido de la ca-rencia de reglas para hacer frente a determi-nadas situaciones.

La inviabilidad de la construccion de siste-mas expertos de primera generacion para controlde procesos de complejidad media-alta es funda-mentalmente debida a factores de operatividad entiempo real y de seguridad. La incapacidad de ve-rificar la consistencia y la posibilidad de vacıos enla base de conocimiento —y en menor medida elefecto acantilado— hacen que la operacion en mo-do automatico de procesos con bases de conoci-miento de control complejas sea, cuando menos,arriesgado. Este tipo de circunstancia es inadmisi-ble a priori en algunos sistemas, y en la mayorıalas perdidas derivables de la mala operacion obli-gan a su no utilizacion.

4.3.4. Sistemas de segunda generacion

En los sistemas de primera generacion la cons-truccion de la base de conocimiento se hacıa ladri-llo a ladrillo —regla a regla—, hasta que el edifi-

cio alcanzaba una altura o consistencia suficientea juicio del ingeniero de conocimiento.

Este tipo de desarrollo produce problemas muygraves, que se mencionaron en el punto anterior:incoherencias y vacıos. Estos problemas se venagravados por la inverificabilidad de la base deconocimiento. La calidad de un sistema experto decontrol viene pues determinada por dos factores:

Los medios hardware/software, que van evo-lucionando progresivamente y que estan de-jando de ser cuellos de botella para algunostipos de aplicaciones.

El desarrollo; la calidad del equipo de desa-rrollo sera la que determine la calidad finaldel sistema experto de control.

Esta construccion sobre la marcha del sistemaexperto es inaceptable en la mayor parte de los ca-sos, esencialmente por su inverificabilidad, ya quees imposible la aceptacion de un sistema que posi-blemente pueda tener un error grave. Este tipo deproblemas tambien aparecen en aplicaciones con-vencionales, aunque en menor medida y con solu-ciones parciales que, aunque costosas, son eficaces.

Los sistemas expertos de segunda generacion tra-tan de paliar estos problemas de consistencia ycompletitud de la base de conocimientos utilizan-do un plano de construccion. Dado que el sistema ex-perto va a trabajar sobre una porcion del mundo —el dominio—, el conocimiento sobre dicha porciondel mundo esta en directa relacion con el mismo.El enfoque utilizado es la construccion de un modeloexplıcito de dicha porcion del mundo que consti-tuira parte de la base de conocimiento del sistemaexperto. Este enfoque se diferencia del de los siste-mas expertos de primera generacion en que el mo-delo es explıcito, por lo que es verificable, ya quese debe corresponder con el dominio.

La construccion de la base de conocimientose guıa por la estructura del dominio para cons-truir un modelo del mundo, que sera tan completocomo queramos y que sera coherente. En este tipode sistemas es fundamental el uso de mecanismosde representacion de conocimiento adecuados. Lautilizacion de objetos parece ser la opcion mas ade-cuada.

29


4.3.5. Sistemas de tercera generacion

Los sistemas de tercera generacion constituyenla punta de lanza del control inteligente. En estemomento este frente tecnologico lo ocupan los sis-temas con aprendizaje, que no suponen un cam-bio estructural respecto a los de primera o segun-da generacion, sino una mejora de estos, por lo quequiza no es adecuado hablar de una nueva gene-racion.

El termino aprendizaje es susceptible de inter-pretaciones muy dispares. Nosotros considerare-mos aprendizaje como mejora del conocimiento. Ennuestro caso esta acepcion tiene un significadopreciso. Como ya se ha comentado en capıtu-los anteriores todo el conocimiento sobre el mun-do se construye y utiliza en forma de modelos.Decıamos que un modelo era tanto mejor cuandosu capacidad de prediccion era tanto mas exacta,esto es cuando se ajustaba mas a la realidad quemodelaba.

Es en este sentido en el que el conocimientopuede mejorarse; el aprendizaje supondra una me-jora de los modelos del dominio que tiene un de-terminado ente.

4.4. Elementos de Control Inteli-gente

Hemos visto desde un punto de vista historicocomo se ha producido el acercamiento al controlinteligente, y cuales han sido las trayectorias des-de el control automatico y la inteligencia artificialhasta alcanzar el punto actual.

En este apartado trataremos de analizar en ma-yor profundidad que son los sistemas de controlinteligente y cuales son sus caracterısticas princi-pales; facilitando de este modo el acceso a estastecnicas desde un punto de vista general, sin res-tringirse a ningun tipo de metodologıa concreta.

4.4.1. Objetivos de un sistema de con-trol inteligente

En el caso de procesos complejos que requie-ren la intervencion de humanos para su control, esmision del operador del proceso el conseguir queeste se comporte de forma que se logren unos de-terminados objetivos de alto nivel. Esta mision dealto nivel es la que hace necesaria la presencia hu-mana en este tipo de sistemas, ya que es precisa sucapacidad de trasladar los objetivos de alto nivel aacciones a realizar sobre el proceso. Los objetivosde alto nivel pueden ser diversos, pero entre elloslos principales son:

Seguridad: Para personas y equipos.

Calidad: Ni deficiente ni excesiva, que originarıaun excesivo coste.

Produccion: No solo a corto sino a largo plazo,por lo que entran en consideracion aspectosde mantenimiento (estabilidad de funciona-miento).

Ecologıa: Tratando de minimizar el impacto am-biental del proceso industrial.

Mantenibilidad: Tratando de evitar que la inco-rrecta operacion cause una excesiva necesi-dad de mantenimiento o incluso impida elcorrecto mantenimiento.

La implantacion de estos —u otros— objetivosde alto nivel en un sistema de control clasico es di-ficultosa; ello es debido fundamentalmente a quese formulan en un nivel de abstraccion por encimadel empleado para el sistema de control. Es preci-so construir subsistemas adicionales al sistema decontrol para que tengan en cuenta estos objetivosglobales. Este enfoque de sistemas adicionales esadecuado siempre que se realice de forma perfec-tamente integrada.

4.4.2. Actividades de control

El sistema de control inteligente reemplazara alhumano en muchas de sus actividades, por lo quees preciso analizar en profundidad cuales son es-tas actividades. Voss [Voss 88] [Voss 88] presenta

30


un analisis bastante acertado en el que se afirmaque las actividades de control llevadas a cabo enun sistema de control son las siguientes:

Determinacion de la necesidad de la actuacion,en funcion del estado real y el estado deseadopara el proceso. Para realizar esta determina-cion es preciso realizar una identificacion delestado funcional del proceso.

Identificacion de los posibles cursos de accionque nos permitan alcanzar el estado deseadoa partir del estado actual. El curso de accionse establecera en forma de secuencia de ope-raciones a realizar.

Determinacion del impacto sobre el sistema decada uno de los cursos, estableciendo la evo-lucion previsible del sistema frente a cada unade las secuencias de acciones.

Interpretacion de los impactos en terminos deobjetivos globales. Lo que nos permitira de-terminar la bondad de cada uno de los cursosde accion en lo que respecta a seguridad, cali-dad y produccion.

Seleccion y ejecucion de una alternativa de con-trol en funcion de la interpretacion global rea-lizada en el apartado anterior. La ejecucion deuna accion de control se lleva a cabo medianteun determinado protocolo.

Monitorizacion de los resultados, para determi-nar si la respuesta del sistema a la accion rea-lizada se corresponde con la prevista.

El sistema de control inteligente debera reem-plazar al operador en estas tareas —o auxiliarle,por lo que precisa de gran potencia en el manejodel conocimiento que se tiene del proceso.

4.4.3. Aclaracion de denominaciones

En la bibliografıa se usa de forma indiscrimina-da terminos como sistema experto de control, sistemade control inteligente y sistema de control basado en elconocimiento. Es preciso realizar una matizacion deestos terminos para aclarar el significado que se lesda en esta tesis.

De acuerdo con la definicion de control inteli-gente dada con anterioridad, es preciso que estossistemas realicen actividades cognoscitivas en unnivel de informacion abstracta. Este es el tipo deproceso de informacion que se le requiere al ope-rador humano del proceso. Por ello un sistemade control que le sustituya merecera el calificati-vo de inteligente, independientemente de cual seala tecnica empleada en su construccion.

Dentro del area de control inteligente la utili-zacion de los terminos sistema experto de control ysistema de control basado en el conocimiento trata dehacer distincion en el modo en que se obtiene yexpresa el conocimiento del proceso; ası por siste-ma experto de control entenderemos un sistema ex-perto en sentido clasico, esto es, una aplicacioninformatica que implanta el paradigma motor deinferencia-base de conocimiento, utilizando paraello un formalismo de reglas obtenidas del cono-cimiento extraıdo del experto humano. Un sistemabasado en el conocimiento es una aplicacion que ha-ce uso de las tecnicas de representacion de conoci-miento, sin especificar cual sea la procedencia dedicho conocimiento. Estas tecnicas han sido de-sarrolladas esencialmente en el area de los siste-mas expertos, por lo que los sistemas basados enel conocimiento pueden considerarse una gene-ralizacion de estos. En particular un sistema decontrol basado en el conocimiento puede integrarconocimiento procedente de multiples fuentes: losoperadores, los ingenieros de proceso y los inge-nieros de control.

4.4.4. Tendencias en control inteligente

Los primeros desarrollos en control inteligen-te han sido sistemas expertos de control basadosen conocimiento de operadores, pero en los ulti-mos tiempos se estan desarrollando una serie desistemas que se caracterizan por el uso de tecni-cas mas orientadas al problema. Este tipo de sis-temas se agrupan dentro de lo que denominamossistemas expertos de segunda generacion. La diferen-cia fundamental con los sistemas de primera gene-racion (basados en el paradigma MI-BC) es la uti-lizacion de representaciones avanzadas del cono-cimiento en las que se consigue la implantacion deun modelo del sistema con el que se esta tratando.

31


De este modo aparecen dos tipos de conocimientode los que hace uso el sistema experto de controlde segunda generacion:

Conocimiento operacional, procedente de losoperadores del sistema. Este tipo de conoci-miento es esencialmente heurıstico, creciendoen importancia a medida que el sistema au-menta en complejidad o en dificultad de mo-delado.

Conocimiento estructural-funcional del siste-ma con el que esta trabajando, del que se de-duciran relaciones de causalidad entre los di-ferentes eventos.

En los ultimos tiempos, el ensanche de los cam-pos de aplicacion gracias a la flexibilidad que estetipo de sistemas permite, ha conducido a una pro-gresiva ampliacion de objetivos. Ello ha conducidoa la necesidad de integrar dentro de los sistemasde control otro tipo de conocimiento:

Conocimiento procedural, procedente de losingenieros de proceso y control, y referido ala manera en que se deben realizar determina-das operaciones complejas de caracter marca-damente secuencial y que requieren de meto-dos retorcidos para su implantacion en siste-mas de reglas convencionales3.

De ahora en adelante el termino Sistema Ex-perto de Control se referira a Sistemas Expertosde Control de Segunda Generacion, que es el te-ma que nos ocupa; cuando se desee utilizar otraacepcion se indicara esta explıcitamente.

4.4.5. Caracterısticas fundamentalesdel control inteligente

En el area de control inteligente se esta comen-zando a realizar un gran esfuerzo de investigacion,por lo general debido al extenso campo de aplica-cion y a las perspectivas economicas que ofrece; y

3Esto se ha producido por ejemplo al tratar de implantarprocedimientos secuenciales en un sistema basado en reglas. Selogro llevar a cabo el objetivo en base a la activacion secuencialde reglas mediante asignacion ordenada de prioridades a lasmismas; lo cual no es, en absoluto, un metodo adecuado.

Estructural Funcional

Ingeniero de Proceso

Ingeniero de Control Procedural

OperacionalOperador

Figura 4.2: Tipos de conocimiento y procedencia delmismo.

por ello la terminologıa tiende a ser confusa, exis-tiendo multiplicidad de terminos para referirse aconceptos similares. En este apartado trataremosde aclarar algunos de los conceptos fundamenta-les y los terminos utilizados para referirse a ellos.Existen varios aspectos cruciales que caracterizany constituyen las piedras de toque de este tipo desistemas; estos aspectos se pueden agrupar en doscategorıas fundamentales:

Aspectos conceptuales: Derivados de las ne-cesidades especıficas del control.

Aspectos de implantacion: Son los relativosa la forma en que se va a conseguir cumplirlos requerimientos conceptuales anteriormen-te expresados.

Las caracterısticas que deben presentar los sis-temas de control inteligente vienen derivadas delas de los objetivos que persiguen —control—, delentorno en que deben alcanzar dichos objetivos—procesos— y de los medios que cuentan paraello —inteligencia artificial. Algunas de estas ca-racterısticas son estudiadas por Laffey [Laffey 88].

En la Tabla 4.4.5 se presentan los aspectos mascaracterısticos de estos sistemas. En el lado iz-quierdo se incluyen los problemas a los que estossistemas deben hacer frente, y en el lado derecholas tecnicas utilizadas para ello.

32


SISTEMAS DE CONTROL INTELIGENTE PROBLEMAS SOLUCIONES

CONTROL

Operación continua Contextos múltiples

Interfase con elementos externos Sistemas abiertos

Requerimientos de tiempo real Descomposición Paralelización

Interacción con sistemas dinámicos Razonamiento temporal

Incertidumbre de actuación Razonamiento hipotético Simulación

PROCESO

Ocurrencia asíncrona de eventos Interrumpibilidad

Datos inciertos o perdidos Razonamiento con incertidumbre Validación del conocimiento

Simulación on-line

Desconocimiento de dinámica Modelos cualitativos

Ambientes agresivos Equipos industriales

SISTEMAS BASADOS EN EL CONOCIMIENTO

No monotonía de los datos sensoriales Razonamiento no monótono Mantenimiento de verdad

Efecto acantilado y fiabilidad Modelado profundo

Diferentes tipos de conocimiento Modelos multiresolucionales

Procedimientos secuenciales Integración de lenguajes procedurales

Tabla 4.1: Algunos aspectos caracterısticos de los sistemas de control inteligente.

33


4.4.6. Control

Como todo sistema de control un sistema decontrol inteligente tiene que operar en tiempo real.Debe hacer frente a la resolucion de un problemaque evoluciona en el tiempo y al que hay que darrespuesta en un plazo temporal limitado. Este esel aspecto mas caracterıstico de las aplicaciones deinteligencia artificial, en particular sistemas exper-tos, en control.

Un sistema de control es un ente encargado deque otro —sistema objeto— tenga un comporta-miento determinado. La necesidad del sistema decontrol surge de las variaciones a lo largo del tiem-po en el estado del sistema objeto —debidas a cau-sas diversas. El funcionamiento en tiempo real esla caracterıstica mas importante de un sistema decontrol. Esto requiere del sistema de control unaactividad continua. Al sistema no se le presentauna tarea y cuando la termina queda a la espera deotra, sino que es preciso que el sistema tenga unagran disponibilidad. Esta disponibilidad se lograa traves de la utilizacion de sistemas de razona-miento que permitan ejecuciones multiples, lo quesuele estar implantado por medio de un mecanis-mo basado en contextos.

Un contexto es la serie de circunstancias quedeterminan el comportamiento del sistema de ra-zonamiento. En nuestro caso un contexto es una si-tuacion del proceso. La posibilidad de trabajar concontextos multiples hace que sea posible mantenerde forma simultanea varias representaciones delestado del sistema, permitiendo de este modo rea-lizar razonamientos sobre diferentes problemas decontrol. Estos mecanismos de razonamiento multi-ple generan dos problemas adicionales: el solapede dominios y la colision de acciones. Existe un so-lape de dominios entre dos ejecuciones del sistemacuando existen objetos del proceso que intervie-nen en ambos razonamientos. Es preciso realizaruna coordinacion entre ambas. Esta coordinacionpuede ser un simple criterio de exclusion por prio-ridades o bien un mecanismo complejo de coordi-nacion especıfico del problema. Se dice que exis-te colision de acciones cuando como resultado delproceso de inferencia multiple se especifican dosacciones para una misma variable de actuacion. Elproblema es similar al de solape de dominios —

es de hecho un problema de solape de dominios—aunque sus consecuencias son mas claras y pue-den ser mas graves.

Proceso

Sistema off-line

Operador

Consultas Sugerencias

Variables

Acciones

Figura 4.3: Sistema sin vınculos con el mundo. Las de-cisiones de accion las toma el operador humano.

Los sistemas de control inteligente se diferen-cian de la mayorıa de los sistemas basados en in-teligencia artificial en un aspecto fundamental: suvinculacion al mundo. El sistema de control inteli-gente obtiene datos del mundo y actua sobre el deforma automatica, sin la intervencion de humanos.En los sistemas inteligentes convencionales —enparticular en los sistemas expertos— estos vıncu-los con el mundo no eran directos, sino que se pro-ducıan a traves de una interfase humana. El hu-mano era el que proporcionaba al sistema expertotoda la informacion sobre el problema; era el queinterpretaba los resultados obtenidos por este y elque realizaba las acciones asociadas a dicha inter-pretacion. Los vınculos con el mundo hacen de lossistemas de control inteligente sistemas en tiemporeal, con toda la problematica que ello conlleva. Enparticular, la actuacion directa sobre el mundo, essin duda el aspecto mas caracterıstico de los siste-mas de control inteligente.

Los aspectos de implantacion derivados de lanecesidad de operacion en tiempo real son muchosy muy variados: comunicaciones con equipos decaptacion y actuacion, interrupciones, potencia decomputo simbolico y numerico. Todo ello condu-ce a la necesidad de grandes equipos y de softwareeficiente, por lo que en la mayorıa de los casos espreciso recurrir a lenguajes de programacion con-vencionales que son mas eficientes que los emplea-

34


Proceso

Sistema off-line

Operador

Variables

Acciones

Consultas Sugerencias

Supervisión

Figura 4.4: Sistema con vınculos con el mundo. Las de-cisiones de accion las toma el sistema de control y eloperador humano en casos especiales.

dos en inteligencia artificial para determinado ti-po de tareas. Por ello los entornos de construccionde sistemas de control inteligente deben ser abier-tos, permitiendo desarrollos mixtos de software.La herramienta G2, por ejemplo, permite el uso defunciones en C o Fortran. NEXPERT OBJECT llegamas lejos, estando disponible como codigo objetoembebible en cualquier tipo de aplicacion.

Los sistemas de control son sistemas en tiem-po real por excelencia. Pero aun ası hemos de dis-tinguir entre dos tipos de requerimientos de ope-racion en tiempo real: requerimientos debiles yrequerimientos fuertes. Un sistema tiene requeri-mientos fuertes de operacion en tiempo real cuan-do un determinado computo tiene un horizonte devalid, esto es, es preciso haberlo terminado antesde un tiempo establecido. Si el sistema en tiemporeal no tiene requerimientos fuertes diremos quesus requerimientos de operacion en tiempo realson debiles. Este es el caso mas general, en el queel superar el horizonte temporal esporadicamenteconduce a una simple degradacion del comporta-miento global del sistema y no a una falta en elmismo. Ejemplos tıpicos de sistemas con requeri-mientos fuertes y debiles son un sistema de avioni-ca y un control de proceso quımico.

El garantizar el final de la inferencia antes delhorizonte temporal es difıcil, dado que este tipo desistemas basados en inteligencia artificial son muyvariantes temporalmente y muy dependientes delestado de la maquina sobre la que se ejecutan. Po-

demos alcanzar una cierta garantıa estadıstica deque un sistema determinado terminara la inferen-cia antes del horizonte, pero no podremos tener lacerteza de ese hecho. Aun en sistemas de estructu-ra muy simple —por ejemplo monocapa— es com-pleja la determinacion de los margenes tempora-les. Veremos que el control basado en reglas borro-sas permite realizar esta determinacion de dura-cion temporal de la inferencia, pero gracias a queeste tipo de control es de estructura absolutamen-te fija y con procesos de inferencia absolutamenteidenticos en cualquier circunstancia.

El hecho de que sea imposible garantizar el findel proceso de inferencia antes del horizonte tem-poral no impide que este tipo de sistemas se apli-quen en tiempo real. En sistemas con requerimien-tos debiles son perfectamente aplicables. Ademasla garantıa estadıstica puede ser suficiente paradeterminados sistemas con requerimientos fuer-tes. El sistema obtendra una conclusion que es-tara estadısticamente dentro del horizonte tempo-ral. Esta conclusion puede no ser la mejor obte-nible con los hechos disponibles si se dispusie-ra de tiempo indefinido. El problema de este tipode razonamiento es el seleccionar la tecnica masadecuada para que, sin tener que recorrer todoel espacio de soluciones, encontremos una acep-table. Este es el caso del razonamiento progresivo.En el se realiza una implantacion en forma de ca-pas de conocimiento. Estas capas de conocimientollegan a conclusiones sucesivas, progresivamenterefinadas. Dependiendo del tiempo disponible sepodra utilizar una o varias capas de conocimientopara encontrar la solucion mejor.

En el capıtulo 5 se presenta una metodologıade construccion de sistemas de control inteligen-te basada en la descomposicion del mismos quepermitira la construccion de sistemas que cumplanrequerimientos de operacion en tiempo real. Estadescomposicion permitira realizar procesamientoen paralelo, lo que contribuye a aumentar la po-tencia de computo. Ademas esta descomposicionfacilita la construccion de sistemas distribuidos, loque facilita la paralelizacion, la verificacion y la to-lerancia a fallos.

El sistema de control puede estar distribuidoen dos sentidos: utilizacion de fuentes de conoci-miento distribuidas y estar constituido por modu-

35


los independientes funcionalmente. De acuerdocon esto la distribucion puede ser:

De las fuentes de conocimiento: El conoci-miento que utiliza el sistema de control pro-cede de tres fuentes principales:

• Los sensores de proceso.

• La informacion suministrada por el ope-rador.

• Sus bases de conocimiento, en forma dereglas y hechos o en forma de modelodel proceso; estas bases de conocimientopueden estar a su vez distribuidas [Bai-ley 88].

Esta procedencia multiple hace que sea preci-so realizar una integracion del conocimiento,que a su vez permite validar el mismo.

De los subsistemas: El sistema de controlpuede estar descompuesto funcionalmente ensubsistemas, cada uno de ellos con tareas de-finidas. Estas tareas pueden ser diferentes obien iguales para aumentar la seguridad porredundancia. Ejemplos en este campo son sis-temas expertos cooperantes con arquitecturablackboard [Nii 86] o los sistemas jerarquicos[Berger 89].

De especial importancia en la mejora de pres-taciones por descomposicion es el uso de meca-nismos de focalizacion. Son aquellos que permi-ten restringir el area de interes a un determinadosubsistema lanzando solo las reglas pertinentes almismo —focalizacion espacial— y a un determi-nado perıodo temporal asociado al tempo carac-terıstico de la situacion bajo analisis —focalizaciontemporal. Estos mecanismos posibilitan el que laejecucion del sistema experto sea lo suficientemen-te eficiente como para que pueda usarse en tiem-po real. Las arquitecturas con metaniveles implan-tan una aproximacion a los mecanismos de focali-zacion. El razonamiento temporal en sistemas decontrol involucra ademas el concepto de escalatemporal. Si nuestro sistema debe hacer frente alcontrol de elementos con perıodos caracterısticosse pueden llevar a cabo cambios de escala tem-poral, en el sentido de centrarse en un determi-

nado tempo y considerar los subsistemas mas len-tos como constantes y los mas rapidos como ins-tantaneos. Esto es un mecanismo de focalizaciontemporal que se propone en [Kuipers 88] en elambito de la simulacion cualitativa.

En un sistema distribuido —fısica ofuncionalmente— existen diferentes elemen-tos, que en el caso de un sistema de controlactuan sobre un mismo objeto. Esto hace que seaprecisa la coordinacion eficiente entre ellos. Estacoordinacion exige mecanismos de comunicacioneficientes y alta capacidad, ya que los volumenesde informacion a manejar van a ser muy elevados.Las comunicaciones interprocesos dependen deltipo de arquitectura hardware, pudiendo serinternas a una maquina —basadas en los recur-sos del sistema operativo— o bien entre variasmaquinas. El estandar que se esta imponiendo esel uso de redes locales para estas comunicacionesinterprocesos; de esta forma se facilita no solo lacomunicacion entre los procesos del sistema decontrol, sino con otros sistemas externos (bases dedatos, correo, etc).

La necesidad de utilizar modulos escritosen otros lenguajes —por lo general lenguajesprocedurales— puede venir ocasionada por variosmotivos:

Interfase con equipos de captacion que puederequerir el uso de codigo desarrollado enotros lenguajes.

Potencia de computo numerico, como la quees necesaria para realizar una simulacionclasica.

Necesidad de ejecutar procedimientos se-cuenciales, difıcilmente especificables y sobretodo verificables mediante reglas.

Los procesos a controlar son sistemas dinami-cos, en los que el control debe basarse tanto enel estado actual del proceso como en su evolu-cion temporal. En el caso del control clasico es-to se consigue utilizando un formalismo de ecua-ciones diferenciales —o sus transformadas— pe-ro en el control inteligente el problema es un po-co mas especial. El razonamiento temporal [Shaw

36


Figura 4.5: Comparacion entre sistemas expertos clasi-cos y sistemas expertos de control.

89] [Shaw 89] supone utilizar en el razonamientovalores cambiantes con el tiempo. Es por ello pre-ciso manejar historias de valores. El metodo habi-tual de trabajo es el de utilizar atributos especıficosde las variables —objetos o marcos— para mante-ner informacion temporal; guardando en ellos eltiempo en que se aserto el hecho o bien la fechade caducidad del mismo [Gensym 88]. Es por esteaspecto dinamico que los problemas planteados alos sistemas de control inteligente son diferentesde los problemas planteados a sistemas expertosconvencionales. Este mismo aspecto de temporali-dad hace que una de las alternativas a consideraren el diseno de sistemas de control inteligente seael utilizar arquitecturas dirigidas por eventos. Elcomportamiento de este tipo de sistemas es simi-lar al encadenamiento hacia delante, salvo en quela seleccion de la siguiente etapa de inferencia sehace en base a los hechos que han cambiado o alresultado de la ultima etapa de inferencia.

En algunos casos el sistema de control inteli-gente puede obtener una conclusion multiple. Es-to sucede cuando en el conjunto conflicto aparecendistintas reglas que concluyen acciones de control.Es importante en estos sistemas realizar el proce-so de inferencia hasta el final, obteniendo todaslas conclusiones posibles hasta que no se puedaprogresar mas en la inferencia. De este modo segarantiza la generacion de todas las acciones decontrol. En algunos casos el motor de inferenciautilizado limita en cierta medida esta posibilidad.Esto sucede cuando por ejemplo se selecciona laprimera conclusion que representa una accion decontrol [Martınez 90]. Esto sin embargo es un pro-cedimiento poco robusto y que puede dar lugar agraves problemas.

La generacion de todas las alternativas de con-trol nos garantiza que no se ha eliminado la im-portante en el proceso de inferencia, pero es pre-ciso realizar una etapa posterior de seleccion de laaccion de control adecuada. En algunos casos estaetapa se lleva a cabo de forma implıcita en la eje-cucion de la inferencia de control, de modo que laaccion propuesta sea unica. La eleccion de la alter-nativa adecuada es una tarea compleja, en la quehay que realizar un razonamiento hipotetico paratratar de evaluar las consecuencias de las diferen-tes acciones de control. En este razonamiento hi-potetico es de fundamental importancia el dispo-ner de un mecanismo de contextos. Un contexto esla serie de circunstancias que determinan el com-portamiento del sistema. En nuestro caso un con-texto es una situacion del proceso. La posibilidadde trabajar con contextos multiples hace que seaposible mantener de forma simultanea varias re-presentaciones del estado del sistema, permitien-do analizar las posibles evoluciones ante distintashipotesis de control. Para realizar estas evaluacio-nes es importante tambien disponer de un simula-dor del proceso a controlar, de forma que se puedadeterminar la evolucion del sistema frente a las ac-ciones de control.

4.4.7. Proceso

En los procesos reales se den de forma habitualsituaciones que se salen de lo que podrıa deno-minarse funcionamiento normal. Ello hace que elsistema de control inteligente deba ser capaz demanejar estas situaciones cuando ocurran. La inte-rrumpibilidad del razonamiento puede conside-rarse una cuestion de implantacion, estando direc-tamente relacionada con el razonamiento en tiem-po crıtico. Pero el hecho de tener que interrumpiruna lınea de razonamiento debido al cambio delvalor de verdad de un hecho es algo nuevo. Porrazonamiento interrumpible se entienden dos con-ceptos diferentes:

Cancelable: Cuando por la alteracion de lascircunstancias el razonamiento que se esta lle-vando a cabo carezca de sentido. Este es el ca-so de la alteracion de los valores de verdad delos hechos de partida del razonamiento; si es-tos valores cambian durante el razonamiento

37


la conclusion derivada de ellos sera por lo ge-neral no aplicable. Cuando se tengan hechosde este tipo lo mas simple es la cancelaciondel proceso, pero se puede intentar un enfo-que que trate de utilizar al maximo el trabajoya realizado. En este sentido se pueden inten-tar dos tipos de acciones:

• Propagar las alteraciones a traves delgrafo de encadenamientos, de forma quese modifiquen las conclusiones a las queafecte los hechos alterados. Esto es viablesi se utilizan enfoques del estilo de RETE[Forgy 82], en que la unificacion es maseficiente.

• Utilizar los hechos derivados con ante-rioridad si las condiciones son cualita-tivamente iguales. Esto es mucho mascomplejo ya que exige realizar razona-mientos cualitativos sobre las analogıasentre ambas situaciones.

Suspendible: En funcion de las prioridades delas tareas de razonamiento del sistema de con-trol puede ser necesaria la ejecucion de una ta-rea mientras se esta llevado a cabo otra. En es-te caso es preciso suspender la primera, guar-dar el entorno de la misma —toda la infor-macion precisa para su continuacion desdeel punto de suspension, ejecutar la de mayorprioridad, recuperar el entorno y continuar latarea anterior. El mecanismo de interrupcionpuede ser costoso en tiempo y/o en memo-ria, por lo que el enfoque mas adecuado es elutilizar un entorno que permita la ejecucionmultiple con asignacion de prioridades a lasdistintas ejecuciones.

La necesidad del razonamiento cancelable espropia del control inteligente. En un sistema ex-perto clasico, si han llegado nuevos hechos —o sehan modificado los de partida— durante el pro-ceso de razonamiento, basta con realizar una nue-va ejecucion del sistema con estos nuevos hechospara obtener la solucion mas adecuada. En un sis-tema de control esto no es aceptable, fundamen-talmente porque las conclusiones derivadas de loshechos viejos pueden conducir a acciones de con-trol erroneas, al no corresponderse con el estado

real del sistema a controlar. Se podrıa hacer lo mis-mo que en el sistema experto clasico —volver alanzar la consulta— pero esto no es compatiblecon la criticidad temporal —necesidad de opera-cion en tiempo real.

El otro aspecto que considerabamos importan-te es el de la incertidumbre o imprecision. La in-formacion que se obtiene del proceso no es exac-ta, sino que se ve afectada por una serie de cir-cunstancias que rodean el hecho de su determina-cion: malfunciones en sensores, ruidos en lıneasde comunicacion, etc. Ademas, aparte de la im-precision en las medidas, existe imprecision enlas acciones a realizar, ya que por lo general larelacion situacion-accion no es 1-1, sino que pa-ra cada situacion existe todo un cumulo de posi-bles acciones de efectos mas o menos conocidos.Ası pues hemos de disponer de medios para ope-rar —razonar— con conocimiento impreciso. El ra-zonamiento sobre sistemas reales se ve plenamen-te afectado por la incertidumbre, que se presen-ta de diferentes formas y con diferentes orıgenes.Para referirse a ello existen multitud de terminosen la literatura: Inexactitud, incertidumbre, impre-cision, indeterminacion, vaguedad, probabilidad,posibilidad, ambiguedad, generalidad, no especi-ficidad, disonancia, confusion etc.

El sistema de control inteligente debe ser ca-paz de razonar con hechos afectados de incerti-dumbre, y alcanzar conclusiones que estaran —posiblemente— afectadas tambien de incertidum-bre. Este mecanismo puede ser una herramientaadecuada para la seleccion de la alternativa decontrol adecuada en el caso de que existan varias.

En control la informacion procede de diferen-tes fuentes, como son el operador, los sensores, lasbases de conocimiento, etc. La necesidad de ope-racion segura obliga a que las acciones de controlse correspondan con el estado real del sistema acontrolar, lo que conduce a la necesidad de validarel conocimiento que se va a emplear en deducir laaccion de control. La validacion de esta informa-cion se llevara a cabo por medio de contraste entrelas diferentes informaciones, en un enfoque simi-lar al de la fusion sensorial [Pau 89]. Para realizaresta validacion es preciso disponer de un modelodel sistema a controlar que nos permita establecerlas correlaciones correctas entre las diferentes in-

38


formaciones. En algun caso estas fuentes de cono-cimiento pueden fallar en su mision de proporcio-nar determinada informacion, causando un posi-ble bloqueo, o en base a un criterio de validaciondel conocimiento podemos alcanzar la conclusionde que determinado dato no tiene la calidad su-ficiente para ser utilizado. El disponer de meca-nismos de suministro de valores adecuado es im-portante para aumentar la robustez del sistema decontrol. Estos mecanismos se basan esencialmenteen historias, realizando una prediccion del valorinaceptable. En este tipo de tareas se pueden uti-lizar simuladores en lınea del proceso. Una tareasimilar es la de suministrar valores ocultos, esto esvalores de variables de proceso no medibles.

Tan importante es el manejo de la imprecisionde las medidas como lo es el de la imprecision delas dependencias e interacciones. La complejidadterciaria mencionada en el capıtulo 2 es el factormas difıcil de manejar en control de procesos. Esimportante que nuestros criterios de control no de-pendan de forma crıtica de la validez del mode-lo de las interacciones del proceso. Es preciso au-mentar la robustez para que un error de modela-do de estas interacciones no concluya en desastre.La simulacion cualitativa [Kuipers 86] [Forbus 84][de Kleer 84a] es un enfoque prometedor y queesta empezando a ser considerado en el campo delcontrol inteligente [Berger 89].

Como hemos visto anteriormente los equiposa utilizar en control inteligente de procesos debenser equipos muy potentes, ya que los requerimien-tos de operacion en tiempo real exigen de ellosgrandes prestaciones. Todo ello hace que las ne-cesidades de equipos sean especialmente fuertes;ademas con el agravante de que al tener que insta-larse en plantas industriales deben ser lo suficien-temente robustos para hacer frente a los problemasde polvo, ruidos, temperatura, etc.

De todas formas el cuello de botella del controlinteligente es el software y no el hardware, ya quela estructuracion jerarquica de estos sistemas per-mite su implantacion distribuida, con lo que es po-sible obtener grandes potencias con equipos con-vencionales, que, ademas, pueden situarse a con-veniencia.

4.4.8. Inteligencia artificial

Desde el punto de vista de la inteligencia ar-tificial la variabilidad temporal del proceso ha-ce que los hechos que se manejan tengan valoresde verdad cambiantes en el tiempo: son verdadescon caducidad; la tecnica empleada en hacer fren-te a este problema es el mantenimiento de verdad.El mantenimiento de verdad [Filman 88] esta es-trechamente relacionado con el razonamiento nomonotono y el temporal. Consiste esencialmenteen un mecanismo encargado de mantener en la ba-se de conocimiento solo los hechos verdaderos eli-minado de la misma los caducados y los derivadosde estos.

En un sistema clasico la introduccion de unaasercion en la base de conocimiento era una acciondefinitiva, esto responde al sentido de que unacosa cierta (un hecho derivado a partir de otrosconsiderados ciertos, usando reglas de inferenciavalidas) sera siempre cierta aunque se introduzcannuevos hechos en la base de conocimiento, ya quesiempre podrıamos derivarla de los antiguos. Estepunto de vista es correcto si el problema a resol-ver es estatico, que no es el caso del problema decontrol. Es por ello preciso desarrollar para el me-canismos de razonamiento no monotono, que per-mitan retractarse de aserciones cuando los hechoscambien.

Los sistemas basados en el conocimiento pre-sentan un problema que puede llegar a ser graveen el caso de aplicaciones en control. Este proble-ma es el efecto acantilado, que consiste en una de-gradacion brusca de prestaciones cuando el pro-blema planteado cae fuera del dominio del sistemabasado en el conocimiento. Un enfoque adecuadopara disminuir este problema es el uso de mode-los explıcitos, que constituyen el elemento carac-terıstico de los sistemas de segunda generacion.El modelado del comportamiento de un sistemase puede hacer de dos modos diferentes, que de-nominaremos fenomenologico y causal. En el mo-do fenomenologico, expresaremos simplemente loque sucede con el sistema desde el punto de vistade las magnitudes medibles. En el modo causal, seexpresaran relaciones mas profundas, derivadasde la estructura del sistema, y que expresaran re-laciones causales entre magnitudes, siendo —por

39


lo general— precisa la utilizacion de magnitudesocultas. Estos dos modos responden en grandesrasgos a lo que se ha venido denominando mode-lado somero y modelado profundo.

De especial importancia en el caso de controlde procesos es el uso de modelos de sistemas deparametros distribuidos, aunque este tema es losuficientemente arduo como para que el numerode trabajos en el sea mınimo [Nicolosi 88] [Nicolo-si 88].

En muchos casos el control de un proceso re-quiere de la ejecucion de protocolos para llevara cabo determinadas tareas. La especificacion deestos protocolos se hace en base a una experien-cia grande o a criterios de seguridad y conoci-miento profundo del proceso. El objetivo es faci-litar el control del proceso en determinadas situa-ciones que son simultaneamente raras y de con-trol difıcil. En estos casos el uso de sistemas ba-sados en el conocimiento —en particular basadosen reglas— conduce a implantaciones mas bien os-curas basadas en mecanismos poco claros o utili-zados con fines distintos de aquellos para los quefueron disenados. Estas implantaciones anormalesson ademas dificilmente verificables, lo que las ha-ce inaceptables en muchos casos. Es preciso habili-tar mecanismos que permitan la ejecucion de pro-cedimientos secuenciales. Esto se hace mediante eluso de sistemas abiertos o mediante la integracion,en el sistema de desarrollo de aplicaciones basadasen el conocimiento, de lenguajes procedurales. Es-ta ultima opcion suele dar resultados mejores des-de el punto de vista de la integracion pero peoresen eficiencia.

En un sistema experto el conocimiento proce-de de una persona —el experto. Pero en el caso decontrol de sistemas industriales, existen al menostres fuentes de conocimiento importantes, asimila-bles al conocimiento de tres personajes. Estas tresfuentes son:

El experto, en este caso el operador del proceso,que tiene el conocimiento para la operaciondel mismo. Este conocimiento es un modelosomero de la planta; un modelo de comporta-miento, no causal.

Documentacion tecnica sobre el proceso;correspondiente al diseno y construccion del

sistema. Esta documentacion constituye unmodelo de gran profundidad sobre el proce-so, sin embargo carece de informacion cau-sal, por lo que es precisa realizar una inter-pretacion del mismo. A traves de esta inter-pretacion se extrae la informacion que consti-tuira un modelo causal del proceso. Esta acti-vidad de interpretacion se asociara a una per-sona que denominaremos ingeniero de proceso.Esta persona es la que dispone de la informa-cion sobre la estructura interna del proceso,que, en ultimo termino responde del compor-tamiento externo del mismo.

Conocimiento procedural, que, aunque simi-lar al conocimiento experto especificado en elpunto primero merece ser considerado apar-te. Se diferencia en esencia del primero enque este conocimiento no es declarativo, sinoprocedural, expresando secuencias de accio-nes, no hechos puntuales. Este conocimien-to lo supondremos agrupado en un indivi-duo al que denominaremos ingeniero de con-trol. En realidad, gran parte de este conoci-miento esta en manos —o en la cabeza— deloperador de la planta, no obstante, es muy di-ferente del conocimiento que hemos califica-do como conocimiento de experto.

En un sistema de control avanzado es precisohacer uso de estos tres tipos de conocimiento, yaque cada uno de ellos proporciona una informa-cion de importancia crucial en determinadas situa-ciones. Ası el conocimiento del experto permite laconduccion en regimen permanente del proceso.El conocimiento procedural permite la aplicacionde protocolos de conduccion en determinadas cir-cunstancias como pueden ser un arranque o unaparada. Por ultimo el conocimiento estructural-funcional proporcionado por el ingeniero de pro-ceso es importante en la gestion de situaciones quecaen fuera del ambito de conocimiento expresadoen los otros dos. Este conocimiento permite afron-tar el problema planteado por el efecto acantilado.No obstante, el uso de este conocimiento para con-trol es complejo, siendo objeto de investigacion enestos momentos, con perspectiva desconocida.

En realidad el modelado a utilizar en sistemasinteligentes no debe reducirse a un determinado

40


Usuario

Motor de Inferencia

Conocimiento Operacional

Conocimiento Procedural

Conocimiento Estructural

BCG

Inte

rfaz

Inte

rfaz

Inte

rfaz

Inte

rfaz

Ingeniero de Control

Operador de Proceso

Ingeniero de Proceso

Ingeniero de Conocimiento

Inte

rfaz

Figura 4.6: Orıgenes diversos de las diferentes partes de la base de conocimiento. El ingeniero deconocimiento cataliza el proceso de formalizacion y representacion.

41


modo, sino que debe realizarse en multiples nive-les de abstraccion; debe ser un modelado multire-solucional. Antsaklis [Antsaklis 89] dice que paraque un sistema logre la suficiente autonomıa —lasuficiente inteligencia— se deben utilizar en el sis-tema de control:

Metodos algorıtmico-numericos, basados enel estado del arte en control convencional,identificacion, estimacion y teorıa de la comu-nicacion.

Metodos simbolicos de toma de decisiones,tomados de la inteligencia artificial.

Esta integracion de metodos es precisa para lossistemas inteligentes, dado que se necesita tantolas prestaciones de los sistemas numericos, sobretodo velocidad, como la flexibilidad de los siste-mas simbolicos. La autonomıa procede en esenciade dicha flexibilidad, y por lo tanto de los mecanis-mos simbolicos, sin embargo, en aplicaciones rea-les, los criterios que dictaminan el exito son fun-damentalmente dos: si algo se ha hecho correcta-mente y si se ha hecho a tiempo.

4.5. Paradigmas de Control Inte-ligente

En el apartado 4.3 se mencionaron de pasadalas caracterısticas de los sistemas de control clasi-cos y en el 4.4 los elementos caracterısticos de lossistemas de control inteligente. En este punto tra-taremos de ahondar en las caracterısticas tecnicasde los principales paradigmas de control inteli-gente. Estos paradigmas son modos establecidosde desarrollo de sistemas de control inteligente —tecnologıas de control inteligente— que estan am-pliamente extendidos.

El concepto de paradigma de control nos traea la mente los paradigmas cientıficos en el sen-tido de [Kuhn 71]. En este caso la transicion en-tre paradigmas —la revolucion tecnica podrıamosdecir— se produce cuando surge una nueva teorıade representacion y razonamiento sobre sistemas.Este tipo de transicion esta estrechamente relacio-nada con el desarrollo de nuevas metodologıas de

representacion del conocimiento. Los avances encontrol inteligente parecen conducir hacia la uti-lizacion de modelos explıcitos —asimilables a losdenominados modelos profundos— basados en lametodologıa de programacion orientada a objeto.La creciente explicitacion de los modelos ha pasa-do desde la logica proposicional hasta las actualesrepresentaciones orientadas a objeto, pasando porlas ternas objeto-atributo-valor y los marcos.

En el comentario que sigue nos centraremosen tres paradigmas: el control basado en reglas, elcontrol borroso y el control basado en modelos.

4.5.1. Control basado en reglas

Los sistemas de control basados en reglas (SC-BRs) responden a los que se denominaron sistemasexpertos de primera generacion. Las caracterısti-cas de este tipo de sistemas son de sobra conoci-das y se pueden encontrar multitud de referenciassobre el tema [Galan 89][Frost 86].

Estructura de los SCBRs

Estos sistemas de control se basan en una ba-se de conocimiento en la que se expresa mediantereglas el conocimiento de control de un determi-nado sistema. Este conocimiento de control pue-de extraerse de un operador de dicho sistema —sistema experto clasico— o bien formularse direc-tamente por un ingeniero de control, en cuyo casopodrıamos hablar de sistema experto o de sistemabasado en el conocimiento segun criterios. Un es-tudio mas detallado de esta estructura puede en-contrarse en [Basagoiti 89].

En la Figura 4.5.1 se puede observar la estructu-ra habitual de un sistema basado en el conocimien-to —en este caso un sistema basado en reglas. Enesta figura se aprecian los siguientes subsistemas:

Interfases.

Motor de inferencia.

Base de conocimiento.

Base de hechos.

42


Usuario

Motor de Inferencia

Inte

rfaz

Inte

rfaz

Experto

Inte

rfaz


Base de Hechos

Base de Conocimiento

Justificación del

Razonamiento

Figura 4.7: Estructura clasica de un sistema basado en el conocimiento expresado mediante reglas.

Justificacion del razonamiento.

Las personas que intervienen en la construc-cion y utilizacion de este tipo de sistemas son elingeniero de conocimiento, el experto y el usuario.

Los hechos iniciales para el proceso de inferen-cia de este tipo de sistemas son, como cualquiersistema de control, informacion del proceso en for-ma de variables medidas y variables derivadas deestas —variables de estado de la planta. Las con-clusiones que se alcancen deben expresar las ac-ciones de control a realizar sobre la planta.

El planteamiento de la estrategia de encadena-miento pueden hacerse tanto hacia delante comohacia atras, pero con caracterısticas muy diferen-tes. Por lo general en los sistemas de control elencadenamiento es hacia delante, con reglas de laforma:

SI La temperatura es mayor de 1300◦

ENTONCES Bajar el fuel un 10%

mientras que el encadenamiento hacia atras se em-plea en sistemas de diagnostico, en los que las re-

glas expresan relaciones causales:

SI El fuel bajaENTONCES La temperatura baja

Como vemos las reglas utilizadas en el ejemplode operacion hacia delante expresan acciones decontrol a realizar en una determinada situacion deproceso. A primera vista parece posible expresaruna estrategia humana de control de un procesopor medio de reglas de la forma4:

SI <Situacion>ENTONCES <Accion

pero esto no es siempre viable. La expresionde las situaciones a reconocer (lados izquierdos delas reglas) puede llegar a ser muy compleja si elproceso a controlar es complejo. En las “reglas”que constituyen la experiencia de un humano laspremisas no son simples, ni siquiera dobles o tri-ples, sino que en realidad en la premisa de cada re-gla que conduce a una accion aparecen un patron

4En sistemas de reglas de este tipo no se produce encadena-miento, constituyendo lo que se denomina sistemas monocapa.

43


dinamico5 complejo de las variables del procesoa controlar y que conoce el operador. El formularcompletamente una estrategia de control en estosterminos puede llegar a ser muy tedioso y propen-so a errores.

Por otra parte, surge un problema adicional conlos lados derechos de las reglas: las acciones decontrol. En general las acciones a realizar no sonacciones simples ni discretas, y sus valores posi-bles no son un numero finito, sino que son asi-milables a numeros reales. No es posible utilizarbases de conocimiento que contengan reglas queconcluyan acciones con todos los valores posibles,ni siquiera parece viable utilizar un gran conjun-to de reglas con diferentes acciones, sobre todo te-niendo en cuenta la complejidad que deben tenerlas premisas. El control borroso resolvera en par-te este problema, utilizando valores reales para losgrados de satisfaccion de las premisas, valores queson trasladados a las acciones a realizar.

Una forma mas general de estructura de reglasen un SCBR es la siguiente:

SI <Situacion>ENTONCES <Conclusion>

<Accion

Donde <Situacion> es una expresion clasi-ca de premisas de una regla, en la que apare-ceran por lo general comparaciones de las varia-bles de estado del proceso con valores caracterısti-cos. <Conclusion> es una expresion indicandolos hechos a incluir en la base de hechos del SCBR.Y <Accion> es una expresion indicando las accio-nes de control a llevar a cabo.

Uno de los problemas fundamentales del con-trol basado en reglas es el aspecto representadopor <Conclusion>. Este termino representa unaserie de hechos que deben introducirse en la basede hechos del SCBR. Pero estos hechos tienen unacaracterıstica fundamental: su caducidad. Es pre-cisa la existencia de sistemas de mantenimiento deverdad para hacer posible la operacion de los SC-BRs.

Observese que la clausula <Accion> de unaregla plantea un problema especial en este tipo de

5En el que intervienen derivadas temporales.

sistemas. Si una regla como la anterior se aplicararepetidamente, el volver a incluir <Conclusion>en la base de hechos no plantea ningun proble-ma especial, pero en cambio volver a ejecutar<Accion> puede ocasionar problemas graves. Elcontrol de la ejecucion de reglas se hace por el lan-zamiento controlado de las inferencias, de modoque los terminos <Accion> estan especificados te-niendo en cuenta este hecho, o bien mediante eluso de variables de status. Este ultimo enfoque hasido el habitual en sistemas de control inteligentedesarrollados con herramientas de sistemas exper-tos convencionales, por la incapacidad de realizarun control mas fuerte del proceso de inferencia.

Algunos autores proponen otros formato de re-glas, tal es el caso de Tzafestas [Tzafestas 89]. Elformato propuesto es el siguiente:

SI <Condicion>Y NO <Condicion Excluyente>ENTONCES Aserta <Hechos a anadir>

Retracta <Hechos a eliminar>Haz <Accion>Siguiente <Regla>

Donde se hace manejo explıcito de los hechosa anadir y a eliminar de la base de hechos, en unenfoque similar al de STRIPS [Nilsson 87] [Nilsson87], y en el que se especifica la siguiente regla oreglas a aplicar, en un enfoque casi procedural.

Dos reglas se diran con solape de premisas si esposible satisfacer ambas simultaneamente. En unsistema de control basado en reglas la existenciade solape de premisas puede generar inconsisten-cia en las acciones de control. Esto se observa muyclaramente en un sistema monocapa. Supongamosque en nuestra base de conocimiento se tienen lasdos reglas siguientes:

SI La temperatura es mayor de 1500◦

ENTONCES Bajar el fuel un 10%

SI El oxıgeno es mayor de 4%ENTONCES Subir el fuel un 5%

Si en un determinado instante se verifica si-multaneamente que la temperatura es mayor de1500◦ y que el oxıgeno es mayor de 4 % la accion arealizar no esta claramente definida, ya que unaregla concluye que se debe bajar el fuel un 10 %

44


y la otra que se debe subir un 5 %. La accion quese ejecutara —en un SCBR convencional— depen-dera del mecanismo de seleccion de reglas del con-junto conflicto. Este problema de consistencia porsolape de premisas puede resolverse de tres for-mas:

Por eliminacion fısica del solape. Realizan-do un desarrollo de la base de conocimientoque impida este tipo de situaciones. Esto sehara combinando en las premisas de las reglastodas las variables relevantes. De este modose realiza una particion del espacio de entra-das, de forma que a cada punto del espacio deentradas le corresponda una sola accion.

Por eliminacion funcional del solape. Esto eslo que se darıa en un sistemas experto conven-cional, en el que se seleccionarıa —segun undeterminado criterio— la regla a disparar delconjunto conflicto. Salvo que el algoritmo deseleccion este muy perfeccionado y adecuadoa su utilizacion en sistemas de control, este en-foque es inaceptable.

Por fusion de las actuaciones especificadas enlas reglas con solape, combinando las multi-ples acciones en una sola. Este tipo de com-binacion suele hacerse mediante tecnicas demanejo de incertidumbre; especialmente ade-cuadas son las tecnicas de logica borrosa.

El sistema experto de control puede enten-derse —al igual que un sistema convencional decontrol— como una aplicacion del espacio de va-riables medidas en el espacio de actuaciones. Estaaplicacion debe ser necesariamente una funcion.

Modos de funcionamiento

Los modos de funcionamiento de los SCBRsson esencialmente dos:

Periodico, del mismo modo que funcionan lamayor parte de los sistemas de control im-plantados con computadores.

Aperiodico, por respuesta a eventos. En es-te caso el mecanismo de inferencia se dispa-

ra en base al reconocimiento de un patron —posiblemente complejo y con dinamica— enlas variables del proceso.

Los modos periodicos se suelen emplear en SC-BRs simples, en los que la base de conocimientotiene un tamano limitado y los tiempos de infe-rencia son adecuados al proceso y con poca va-rianza. En caso de sistemas complejos, la duraciontemporal de una inferencia tiene una variabilidadmuy alta, siendo por lo general inadecuado su usode forma periodica. Este tipo de sistemas se acti-van bajo demanda de otro sistema reconocedor desituaciones que requieran de la intervencion delSCBR.

Desarrollo de SCBRs

El control basado en reglas es el resultado dela aplicacion directa de la tecnologıa de sistemasexpertos en control [Bernard 88] [Bernard 88]. Eneste tipo de sistemas la base de conocimientos decontrol se obtiene de un experto humano: el opera-dor del proceso a controlar. Este enfoque, en pro-cesos complejos6, conduce a sistemas expertos conbases de conocimiento de complejidad excesiva,siendo necesario el uso de tecnicas que permitanreducir esta complejidad y aumentar la eficiencia.Una de estas tecnicas es el uso de metaniveles. Porlo general el metanivel —suele haber solo uno—es el encargado de determinar el estado del siste-ma y de seleccionar el grupo de reglas pertinentea esa situacion. De este modo la base de conoci-miento queda dividida en subbases que permitenuna mejora en eficiencia. Por lo general estos siste-mas alcanzan volumenes —miles de reglas— quelos hacen inadecuados para su utilizacion en tiem-po real. Este tipo de arquitectura hace uso de con-ceptos intermedios —sobre el estado del sistema—que constituyen una version aproximada del enfo-que basado en modelos.

Una vez vistas estas caracterısticas generalesdel los SCBRs podenos comentar las principalesarquitecturas de los mismos, ya que casi todas las

6Especialmente en procesos con complejidades secundariay terciaria. El caso de la complejidad primaria es mas aborda-ble mediante el uso de tecnicas orientadas a objeto. Este en-foque es el utilizado por ejemplo por el entorno G2 [Gensym88][Gensym 88].

45


Hechos

Reglas

Acciones

Figura 4.8: Sistema basado en reglas con estructura monocapa.

aplicaciones responden a una arquitectura mono-capa o bicapa, aunque en algun caso existan arqui-tecturas multicapa.

SCBR monocapa

Este tipo de sistema es muy habitual por susimplicidad, ya que no requiere profundizar enlas etapas de analisis del dominio y conceptuali-zacion.

En este tipo de arquitectura el sistema de con-trol basado en reglas presenta una estructura comola de la Figura ??8. La base de conocimiento de es-te sistema es homogenea, compuesta ıntegramentepor reglas de la forma:

SI <Situacion>ENTONCES <Conclusion>

<Accion

La existencia de conclusiones a incluir en la ba-se de hechos tiene sentido en el uso de estas con-clusiones en etapas posteriores de control.

SCBR bicapa

El termino <Accion> es suprimible comotermino diferenciado de <Conclusion>, sin mas

que considerar la existencia de un dato en la basede hechos interpretado por un proceso indepen-diente —un demonio— encargado de realizar laaccion. Este enfoque es especialmente interesantedesde el punto de vista de la independencia de losprocesos de inferencia y control. Sea por ejemplola regla:

SI La temperatura del horno es mayorde 1500o

ENTONCES El horno esta calienteDisminuir fuel un 10%

El hecho El horno esta caliente se introducira enla base de hechos y la accion disminuir el fuel un10 % se llevara a cabo como consecuencia de laejecucion de la regla. No obstante el saber que elhorno esta caliente —hecho incluido en la base dehechos— puede ser utilizado de forma indepen-diente por otro proceso para realizar la disminu-cion del fuel de forma asıncrona respecto al pro-ceso de inferencia. Este enfoque es efectivo paraoperacion en tiempo real, sin embargo se apartadel enfoque SCBR puro.

La accion del proceso de control —asıncrona-mente con el de inferencia— puede llevarse a ca-bo por otro sistema basado en reglas. Este tipo deestructura es lo que denominaremos SCBR bicapa

46


Hechos

Reglas

Acciones

Conclusiones

Reglas

Valoración dela SituaciónGeneración

de Actuación

Figura 4.9: Sistema basado en reglas con estructura bicapa.

47


con etapa de identificacion y etapa de control7. Labase de conocimiento se descompone en dos querecogen dos tipos de informacion: reglas referen-tes a la interpretacion del estado del proceso y re-glas para la determinacion de las actuaciones. Enesta caso la regla anterior quedarıa descompuestaen dos reglas, cada una de las cuales entrarıa a for-mar parte de la base de conocimiento de la etapacorrespondiente:

1. Valoracion de la situacion: Se determinara elestado funcional del proceso a controlar apartir del la informacion sobre el proceso —mediciones de variables— y posibles hechosincluidos en la base de hechos.

SI La temperatura del horno esmayor de 1500o

ENTONCES El horno esta caliente

2. Generacion de actuacion: Se determinara laaccion de control en funcion del estado fun-cional del proceso a controlar

SI El horno esta calienteENTONCES Disminuir fuel un 10%

Como vemos en este tipo de estructura apareceuna etapa de informacion intermedia que consti-tuye una vision del estado del proceso a otro nivelque el puramente numerico; es un modelo concep-tual parcial del proceso en un nivel de abstraccionsuperior al de las puras medidas.

En la literatura se pueden encontrar multitudde referencias sobre lo que se ha dado en llamarsistemas expertos con metaniveles. Este tipo desistemas expertos son por lo general sistemas bica-pa —un solo metanivel— en los que el metaniveles un nivel de abstraccion superior en el que se uti-liza conocimiento sobre el nivel inferior para rea-lizar una focalizacion de la base de conocimientodel nivel inferior sobre el subdominio del proble-ma. De este modo se reduce el tamano de la base

7Este tipo de estructura es habitual en sistemas expertos,como dice D’ Ambrosio[D’ Ambrosio 89], se divide el proble-ma del control en dos etapas: valoracion de la situacion y plani-ficacion de la respuesta. Es la utilizada por ejemplo en CASNETy en EMYCIN [Buchanan 84].

de conocimiento activa de forma que se reduce so-bremanera el costo computacional-temporal de lainferencia.

Este tipo de sistemas conduce a implantacio-nes multicapa —mas de un encadenamiento— pe-ro que conservan esta estructura de clara descom-posicion en dos etapas: valoracion de la situaciony generacion de la actuacion.

SCBR multicapa

En general los sistemas basados en reglas tien-den a crecer de forma incontrolada, ya que la po-sibilidad de desarrollo incremental de los mismos,considerado por algunos como una ventaja, haceque se anadan sucesivas mejoras que tienden a sal-tarse a la torera los disenos estructurales prima-rios. Ası se alcanzan sistemas en los que el modeloconceptual intermedio es un farrago de informa-cion inestructurada, y en los que el proceso de in-ferencia funciona en base a mecanismos basadosen la suerte.

No obstante es posible el desarrollo de sistemasconceptualmente claros, en los que el proceso deinferencia avanza a traves de sucesivas etapas deabstraccion. En este tipo de sistemas la generacionde las acciones de control se pueden producir entodos los niveles de abstraccion dado que los cri-terios de control son por lo general multiples, aun-que por lo general se suelen alcanzar estructurassimilares al bicapa.

En el capıtulo 5 se expondra una metodologıade desarrollo de sistemas de control inteligenteque permite la construccion de SCBRs multicapaen los que existe este reparto de autoridad por ni-veles de abstraccion.

Modelado implıcito en SCBRs

En este tipo de sistemas se utiliza un mode-lo implıcito. El grado de explicitacion del mode-lo es variable, dependiendo del tipo de SCBR. Ellos sistemas con varias capas este modelo es masexplıcito que en el caso de los sistemas monocapa.Los hechos intermedios que sirven de enlace entrelas capas del SCBR constituyen modelos del pro-ceso en diferentes niveles de abstraccion. A estos

48


modelos utilizados en los SCBRs se los suele de-nominar modelos someros, ya que representan unconjunto reducido de aspectos del sistema a con-trolar, esencialmente comportamientos, sin expre-sar en ningun momento relaciones causales entrehechos que suceden en el proceso a controlar.

Ventajas del control basado en reglas

Las ventajas del control basado en reglas seaprecian desde la perspectiva del control conven-cional. En determinadas situaciones las prestacio-nes de los sistemas de control convencional no sonlo suficientemente buenas. Esto se da especialmen-te en las circunstancias mencionadas por Ilari [Ila-ri 87] y comentadas en el apartado 4.2.1.

La ventaja de este tipo de controladores basa-dos en reglas es que permiten expresar la estra-tegia de control de forma verbal, pudiendo utili-zar el conocimiento de operadores humanos. Porello el control experto no precisa de un mode-lo matematico del proceso a controlar. Otra ven-taja es que el control experto tiene como baseun conocimiento expreso —explıcito—, que puedeser comprobado mas o menos exhaustivamente —aunque las tecnicas de validacion de sistemas ex-pertos sean aun muy limitadas. El control expertoes ademas un control mas estable que el humano,en el sentido de que la estrategia de control no tie-ne variabilidad, lo que redunda en una estabilidadde operacion, que es uno de los grandes problemasde la industria de proceso, en la que los turnos deoperadores hacen que el proceso este sometido aoscilaciones originadas por el cambio de las estra-tegias de control de los operadores. Este aumentode estabilidad redunda en una mejora de calidaddel producto, un aumento de produccion al per-mitir la conduccion en condiciones mas cercanas alos lımites y una disminucion de las necesidadesde mantenimiento al reducir las fatigas introduci-das por la operacion fluctuante.

Desventajas del control basado en reglas

Las desventajas del control basado en reglas secentran en dos puntos, uno relativo a la dificul-tad de manejo del conocimiento y otro relativo alos problemas de implantacion. En el problema de

manejo del conocimiento aparecen dos puntos es-pecialmente importantes:

La adquisicion del conocimiento, que debehacerse en este caso de los operadores de pro-ceso y eventualmente de los ingenieros deproceso o control. La intervencion del inge-niero del conocimiento es necesaria, al me-nos en una primera etapa, para clarificar es-te conocimiento, dado que el personal encar-gado de estas misiones suele ser personal debaja capacitacion tecnica. En etapas sucesivasla idea que se persigue es la de aumentar laformacion de los operadores y de los ingenie-ros de planta en este tipo de tecnicas, de formaque sean ellos mismos capaces de realizar estaclarificacion e incluso la implantacion.

La formalizacion, implantacion y utilizaciondel conocimiento en el sistema de control ba-sado en reglas puede llegar a ser un proble-ma muy complejo. Estas actividades son mi-sion del ingeniero del conocimiento, pero latendencia, como se menciono en el punto an-terior, es formar al personal de planta en es-tas tecnicas; de esta forma se permite a dichopersonal el mantenimiento y actualizacion delSCBR; se requiere, no obstante, el desarrollode un entorno de proceso mediante el cual sepuedan realizar estas actividades de manteni-miento y actualizacion.

Por lo que a problemas de implantacion se re-fiere, los sistemas basados en reglas se caracterizanpor su extremada lentitud y por la duracion impre-decible de sus cadenas de inferencia —salvo en sis-temas simples como los monocapa. El tiempo quese requiere para determinar una accion de controles dependiente de las circunstancias particulares,tanto del problema, como de la maquina que so-porta el proceso de inferencia, sin que exista unamanera clara de realizar una estimacion del mis-mo8. La dependencia del problema tiene su origenen la anisotropıa del sistema basado en reglas conrespecto a los vectores de estado introducidos en

8Por lo general la inteligencia artificial trabaja con gestiondinamica de memoria, por lo que la situacion particular de lamisma en un momento dado determina sobremanera las pres-taciones del sistema.

49


el. En algunos casos, como son los sistemas de con-trol basados en reglas borrosas clasicos —sistemasmonocapa— el tiempo de inferencia sı es determi-nable, siendo ademas el mismo para cualquier es-tado inicial de partida —vector de estado. La len-titud, junto con las duraciones impredecibles difi-cultan sobremanera la utilizacion de SCBRs inte-grados en aplicaciones de tiempo real.

Valoracion

Como puntos importantes a considerar en eluso de estos sistemas de control basados en re-glas cabe destacar los siguientes; algunos de ellosse comentan en [Shirley 87]:

Los sistemas expertos no son una panacea.Aunque resuelven problemas complejos, noson aplicables en cualquier caso.

Los sistemas expertos no son expertos, sinoque recogen una parte muy pequena de laexperiencia del humano, careciendo casi porcompleto de sentido comun.

Aunque sus costes de desarrollo son elevadosestan disminuyendo progresivamente, debi-do al aumento de experiencia de desarrollo,a la mejora de metodologıas y a la aparicionde herramientas especıficas.

La distincion entre sistema de desarrollo ysistema final es crucial. Los sistemas tendranrequerimientos muy diferentes, tanto en har-dware como en software.

Las herramientas de desarrollo deben serabiertas.

Es fundamental el desarrollo adecuado de lainterfase de operador.

En el caso de sistemas con vınculos con elmundo, las interfases con el son de una im-portancia crucial. Este tipo de elementos soncaracterısticos de los sistemas de control y dealgunos de diagnostico.

El control experto es por lo general fuerte-mente no lineal. Esto en ocasiones puede serinteresante, pero en otras genera bastantes

problemas: oscilaciones, sacudidas, etc. Estano linealidad puede compensarse en parteutilizando tecnicas de ponderacion de reglas,como son todas las utilizadas en manejo deincertidumbre [Gonzalez 89]. El control bo-rroso, que se explicara en el punto siguientepor su especial importancia, usa una de estastecnicas.

4.5.2. Control borroso

El control basado en reglas presenta en deter-minadas circunstancias un mal comportamiento,sobre todo debido a las fuertes no linealidadesdel mismo. El control borroso puede considerarseun control basado en reglas que utiliza las tecni-cas borrosas para manejar imprecision [Tong 77].El considerarlo como un paradigma independien-te se debe a que su estructura (monocapa) y suimplantacion (compilacion de reglas) son muy es-pecıficas de este tipo de control. Los reguladoresborrosos tratan de implantar estrategias de controlexpresadas en terminos linguısticos por los opera-dores de proceso; para ello se basan en tecnicas delogica borrosa [Zadeh 73] [Mamdani 81].

Estructura de un regulador borroso

Esencialmente se basan en un conjunto de re-glas de control borroso de la forma:

SI Variable A es Grande yVariable B es Pequena

ENTONCES Actuacion es Grande

Los terminos que aparecen en las expresio-nes —grande, pequena— se denominan terminoslinguısticos [Zadeh 88]. Todo el conjunto de reglasequivale a una funcion del espacio de entradas enel espacio de salidas. Un aspecto fundamental deeste tipo de reglas es el numero de niveles de cuan-tificacion de entradas: Corresponde al numero determinos linguısticos utilizados para representarlos valores de las entradas. Esta conversion a va-lores borrosos es el primer paso en el proceso decontrol. Un numero de valores empleado habitual-mente es 7. La decision de este numero es impor-

50


tante desde dos puntos de vista: la representativi-dad y el volumen de los datos.

Las etapas del control son:

Conversion de los valores medidos de las va-riables del proceso a su representacion borro-sa.

Aplicacion de las reglas para obtener los valo-res de las actuaciones.

Obtencion de valores nıtidos para las actuacio-nes a partir de sus valores borrosos.

Tecnicas de aplicacion del control borroso

Para aplicar este tipo de control se usan dostecnicas fundamentales:

Control directo por reglas: En este caso en ca-da ciclo de control se realiza el calculo de laactuacion a partir de la unificacion —procesode busqueda de reglas que se adecuan a la si-tuacion actual— de la base de reglas de con-trol con los hechos procedentes del proceso —valores medidos de las variables de proceso.

Compilacion de reglas: Este es un enfoque enel que la base de reglas se “compila”, en elsentido de pasarla a una representacion maseficiente. De este modo se obtiene una tablaen la que para cada combinacion de valoresborrosos de las variables de control se tieneel valor borroso de la actuacion. Este enfoquesolo es viable mientras el conjunto de reglasno cambie; si se produce este cambio es preci-so volver a calcular la tabla.

Supervision de reguladores borrosos

Los reguladores borrosos basados en reglas ad-miten la utilizacion de modulos de supervision,con resultados mas que aceptables [Cerezo 88][Cerezo 88]. En [Oliveira 90] [Oliveira 90] se pre-senta una arquitectura para la supervision de estetipo de reguladores, con la que se consiguen muybuenos resultados. En las experiencias con dichaarquitectura de supervision se observa que los re-sultados conseguidos por los reguladores borrosos

supervisados son similares a los logrados por re-guladores PID convencionales, con ventajas clarasen caso de plantas con funciones de transferenciadesconocidas o variantes.

En las pruebas realizadas se utiliza para laplanta un modelo SISO con funciones de transfe-rencia de segundo orden. El regulador borroso secomporta —por lo que a sobreoscilacion y tiem-po de establecimiento se refiere— sensiblementeigual que un PID ajustado por Ziegler-Nicholls.En caso de plantas variantes, el mecanismo desupervision actua en modo aperiodico, logran-do la adaptacion a la planta —recuperacion deprestaciones— en un tiempo aceptable. Dicho re-gulador borroso obtiene resultados adecuados in-cluso con plantas con funciones de transferenciade fase no mınima.

Valoracion

Este tipo de reguladores presentan algunasventajas de cara a su implantacion para control deproceso. Las mas importantes son las siguientes:

Permiten utilizar el conocimiento operacionalsobre el control del sistema, obtenible de ex-pertos humanos.

Son reguladores mas robustos.

Permiten realizar control multivariable de for-ma simple.

Pueden alcanzar comportamientos mejoresque reguladores PID clasicos.

Admiten diversos modos de supervision.

Las metodologıas a utilizar son claras, pero fal-ta por determinar aspectos en los que se han reali-zado pocos desarrollos:

Estabilidad. Se han hecho algun tipo de es-tudios de estabilidad [Cerezo 88][Aracil 89],aunque bajo condiciones muy estrictas para elsistema analizado. No existe un metodologıagenerica para realizar estudios de estabilidadde reguladores borrosos.

51


Obtención de Valores

Borrosos

Regulador Borroso

Obtención de Valores Nítidos

Actuador

Captador

Proceso

Figura 4.10: Estructura de un sistema de control basado en reglas borrosas.

Viabilidad para procesos complejos. En casode procesos complejos —muchas variables—el numero de reglas necesario para el controlpuede llegar a ser excesivo. Es preciso restrin-gir los reguladores borrosos a sistemas sim-ples.

Obtencion de las reglas: Este es el conocidocuello de botella de los sistemas expertos, laadquisicion del conocimiento.

La aplicacion de este tipo de reguladores pa-ra el control de sistemas complejos es adecuado,siempre que su uso se situe en un nivel bajo, en-cargado del control de bucles simples. Este tipo deregulador es adecuado para sistemas jerarquicosde control de procesos complejos.

4.5.3. Control basado en modelos

El razonamiento basado en modelos es la de-nominacion generica de un conjunto de tecnicasconvergentes que constituyen el elemento centralde los sistemas expertos de segunda generacion.En este tipo de sistemas la base de conocimientocontiene un modelo explıcito del sistema a contro-lar. En vez del modelo de comportamiento implıci-to expresado por las reglas del caso anterior, elmodelo es en este caso fundamentalmente causal[Atwood 86] [Atwood 86]. A este tipo de modelosse los suele denominar modelos profundos, mien-tras que a los modelos de comportamiento se losdenomina modelos someros.

En la Figura 4.5.3 se presenta la estructura deun sistema basado en modelos. En el la base deconocimientos aparece dividida en tres partes:

El modelo. Compuesto a su vez de dos par-tes: la base de hechos (H), que contiene infor-macion factual sobre el estado del proceso yla base de estructura (E), que contiene la in-formacion que es propiamente el modelo delproceso.

La base de conocimiento del dominio (BCD).Que contiene conocimiento similar al que seutiliza en los sistemas convencionales.

La base de conocimiento general (BCG), quecontiene conocimiento relativo a la manera enque se utiliza el conocimiento contenido en elmodelo.

En el modelo se incluye toda la informacion re-levante del sistema sobre el que se va a razonar.Esta informacion se estructura en forma de mode-lo explıcito del sistema. La base de conocimientogeneral expresa conocimiento utilizado en la inter-pretacion de la informacion del modelo. Esta basede conocimiento es propia de esquema represen-tativo utilizado para la construccion del modelo,por lo que en muchos casos no tendra una for-mulacion declarativa sino procedural, implıcita enlos mecanismos de manejo del modelo. Este tipode integracion de la base de conocimiento gene-ral en el propio sistema de gestion del modelo espropio de sistemas que solo admiten un mecanis-mo de construccion del modelo o de aquellos que

52


H

BCD

BCG

Usuario

Motor de Inferencia

Inte

rfaz

Modelo

E

Inte

rfaz

Inte

rfaz

Experto


Figura 4.11: Sistema basado en modelos.

persiguen una gran eficiencia. El conocimiento deldominio es conocimiento particular sobre la apli-cacion y que no ha podido incluirse en el modelopor sus especiales caracterısticas.

La utilizacion de programacion orientada a ob-jetos [Meyer 88] es lo que ha permitido el uso efi-ciente de representaciones de sistemas basadas enmodelos. En particular en el campo de control deproceso, la orientacion a objeto ha supuesto la di-ferencia entre la inoperancia y el funcionamientoen tiempo real.

Dimensiones del conocimiento

El modelo que se persigue en este tipo de sis-temas es una representacion del conocimiento quese dispone sobre el proceso. Es mas extenso queel empleado en sentido matematico, teniendo cua-tro facetas (dimensiones del conocimiento) [Sim-monds 88]:

Amplitud: El modelo incluye informacion de to-da una gama de objetos del mundo real enrelacion con nuestro sistema. Nos permite al-macenar y utilizar nuestro conocimiento so-

bre estos objetos.

Profundidad: El modelo permite trabajar a dife-rentes niveles de profundidad, que enlazan deforma ascendente por mecanismos de abstrac-cion. Esto hace posible la utilizacion de cono-cimientos por sistemas de razonamiento a di-ferentes niveles. Por ejemplo un sistema dediagnostico puede profundizar en las estruc-tura del modelo para determinar la causa deuna determinada falta, realizando una nave-gacion en profundidad —adentrandose en ni-veles sucesivos. Un sistema de planificacion—por contra— trabaja en un nivel elevado,estableciendo la forma en que se debe operarel sistema para conseguir maximizar una fun-cion de utilidad.

Certeza: Nuestro conocimiento del sistema tie-ne diferentes grados de certeza, cuyo cono-cimiento es preciso para tomar las accionescorrectas.

Riqueza: Diremos que nuestro conocimiento esrico cuando incluya diversos aspectos (que,como, cuando, por que, etc).

53


Tipos de modelos

El enfoque de control por razonamiento basa-do en modelos parece viable desde dos puntos devista:

Utilizando Modelos Externos: Estos modelosestan constituidos por reglas que expresan elcomportamiento del sistema. Estas reglas per-miten determinar en un momento dado elestado del sistema, y, en algunos casos, me-diante razonamiento temporal la evolucion delmismo. Este tipo de modelos son costososen ejecucion, ya que la base de reglas tie-ne un volumen muy elevado que no permi-te alegrıas. Los mecanismos de focalizacion —ya mencionados— permiten disminuir el con-junto conflicto, y por ello aumentar las pres-taciones del sistema. Este tipo de sistema demodelado precisa de paralelizacion para al-canzar la eficiencia necesaria para su uso entiempo real. Los modelos someros utilizadosen algunos SCBRs son de este tipo.

Utilizando Modelos Internos: En estos se utili-za la tecnica de especificar los elementos delsistema y sus interrelaciones. De este modo sereduce el volumen de la informacion a mane-jar, ya que el comportamiento quedara descri-to en base a restricciones genericas sobre lostipos de dispositivos a emplear. Estas tecni-cas de modelado profundo para razonamien-to sobre sistemas se encuentran en la actuali-dad en etapas tempranas de desarrollo.

Los modelos del mundo que constituyen la ba-se de razonamiento de este tipo de sistemas sepueden especificar a priori, o bien ser construi-dos sobre la marcha. Este enfoque es el que se em-plea en sistemas avanzados de control de vehıcu-los autonomos, en que el modelo del mundo querodea al vehıculo se va construyendo y/o modifi-cando en base a la informacion sensorial recibidapor el ente autonomo. Si el sistema autonomo debeinteraccionar con su entorno debe tener tambienun modelo de si mismo.

En el caso del control de procesos, no se da estacircunstancia de forma completa, ya que el siste-ma de control no interacciona con el proceso sal-vo a traves de los actuadores y captadores. Es por

ello necesario que el modelo incluya submodeloscorrespondientes a los sistemas de captacion y ac-tuacion. Estos modelos permitiran a la interfasede proceso el filtrado inteligente de la informacionprocedente del sistema, ası como la actuacion efi-caz y segura.

Una de las ventajas fundamentales de disponerde conocimiento estructurado en distintos nivelesde abstraccion es la posibilidad de realizar razona-miento cualitativo.

4.5.4. Ventajas del control basado enmodelos

El control por razonamiento basado en mode-los tiene como principal desventaja su mayor com-plejidad en el desarrollo de mecanismos de razo-namiento de control. Pero las ventajas que presen-ta hacen que su utilizacion sea progresivamenteextendida:

Flexibilidad, ya que es posible formular y uti-lizar el modelo de diferentes maneras.

Extensibilidad, puesto que tanto el modelocomo las aplicaciones que soporte se pue-den extender de forma simple para reflejar loscambios en el sistema o en el problema.

Compartibilidad, pudiendo ser utilizado si-multaneamente por diferentes aplicaciones.

Coste y tiempo reducido de desarrollo, ya quees un solo modelo para varias aplicaciones,y ademas la construccion de modelos explıci-tos es mas simple y directa que la de modelosimplıcitos como los contenidos en un sistemabasado en reglas.

Integrabilidad, ya que su no vinculacion a unaperspectiva de resolucion de problemas deter-minada permite su integracion en cualquierotro tipo de sistema, aportando una informa-cion coherente a todo un grupo de aplicacio-nes.

Constructibilidad puesto que es posible laconstruccion y uso de librerıas de modelos,que permiten construir modelos de sistemasmas grandes.

54


Fiabilidad, ya que en un modelo explıcito esmas facil realizar una verificacion que permitagarantizar su coherencia y completitud.

Jerarquizabilidad, admitiendo representacio-nes multiresolucionales.

Mayor facilidad para expresar el conocimien-to sobre el objeto modelado. Este tipo de ven-taja es especialmente importante en los mode-los orientados a dispositivos [Geneserteh 84].

Este ultimo punto es especialmente importan-te desde el punto de vista del desarrollo, ya queel cuello de botella de la adquisicion del conoci-miento se reduce, puesto que el experto expresasus conocimiento sobre el dominio en sus propiosterminos. En los ultimos sistemas de desarrollo deaplicaciones de este tipo se dispone de una interfa-se muy potente que permite construir los modelosde forma grafica e interactiva, utilizando los ele-mentos habitualmente conocidos por el personalde planta. De este modo la mision del ingenierodel conocimiento se reduce, ya que el experto seconvierte en ingeniero del conocimiento. Se pro-duce una migracion aun mas acusada que lo quevenıa siendo habitual en sistemas convencionales.

4.6. Desarrollos actuales

Hasta ahora los desarrollos reales en el areade control inteligente han sido mas bien escasos,debido a las dificultades de implantacion de es-tas caracterısticas, sin alcanzar en ningun caso laoperatividad deseada en un sistema que incluyeratodas ellas. Sin embargo existen algunos sistemasque presentan algunas de las caracterısticas men-cionadas con anterioridad. Estos sistemas se pue-den clasificar en varios tipos:

Desarrollos especıficos:

• Desarrollos independientes.

• Desarrollos con herramientas de controlinteligente.

Evoluciones:

• Evoluciones desde el campo de control.

• Desde el campo de la inteligencia artifi-cial.

El grado de operatividad alcanzado por los sis-temas de control inteligente es muy variado, yaque intervienen en su valoracion multitud de fac-tores.

4.6.1. Desarrollos especıficos

Los desarrollos especıficos son sistemas de con-trol y en especial entornos de desarrollo de sis-temas de control inteligente orientados hacia estetipo de problemas, y no a aplicaciones generales.Por ello presentan una serie de caracterısticas quelos hacen especialmente interesantes.

4.6.2. Desarrollos independientes

Los desarrollos de sistemas de control inteli-gente han seguido en muchos casos una trayecto-ria similar compuesta de tres etapas:

Desarrollo en un entorno para sistemas exper-tos de aplicabilidad general.

Reescritura en un lenguaje convencional paraalcanzar operatividad.

Construccion de un nuevo entorno basado enel desarrollo anterior.

El alcanzar la segunda y tercera etapas depen-den esencialmente del presupuesto del proyecto(segunda etapa) y del presupuesto y objetivos (ter-cera etapa).

Son de destacar en este grupo los proyectosdentro del marco de los programas ESPRIT y EU-REKA de la Comunidad Europea. Varios de estosproyectos de investigacion son asimilables al areade control inteligente. De ellos podemos mencio-nar:

El sistema TEX-I [Voss 88]: Technical ExpertSystems for Interpretation, Diagnosis andControl of Technical Systems.

55


El sistema QUIC [Cavanna 89]: Design andExperimentation of a Knowledge Based Sys-tem Development Toolkit for Real Time Pro-cess Control Applications.

Otros como: IPCES, AIMBURN, TOPMUSS,KRITIC, FIABEX [Cuena 89].

Es de destacar que este tipo de proyectos noson de desarrollo de un sistema de control especıfi-co, sino que sus objetivos son de investigaciony desarrollo fundamentalmente de herramientasy sistemas no especıficos de una aplicacion, aun-que en casi todos ellos se construyan aplicacio-nes demostrativas. Estos proyectos tienen proposi-tos muy ambiciosos. Es de esperar que del esfuer-zo conjunto, una vez que los resultados de dichosproyectos alcancen al publico, surja un grupo detecnicas de clara aplicacion en control de procesos.

Por ahora estas tecnicas no existen —al menosclaramente— por lo que cada disenador debe ha-cer frente a una serie de problemas similares, peronunca iguales; esto hace que las soluciones seanad hoc en la mayor parte de los casos, limitandode este modo la posible reutilizacion del softwaredesarrollado.

4.6.3. Desarrollos con herramientas decontrol inteligente

La necesidad de herramientas ha conducidoa una serie de sistemas que tratan de implantarlas caracterısticas deseables en un sistema de con-trol inteligente. Estas implantaciones tiene mayoro menor exito, pero en cualquier caso han dadolugar a sistemas mas adecuados para el desarrollode aplicaciones con requerimientos de operacionen tiempo real. Las perspectivas de este tipo deherramientas son cada vez mas halaguenas tantopor la mejora continua en hardware como por eldesarrollo de nuevas tecnicas y metodologıas sof-tware que posibilitan la implantacion de sistemasde control inteligente.

Los entornos especıficos para sistemas de con-trol inteligente utilizan mecanismos de reglas parala expresion de los conocimientos de control. Estossistemas son pocos en la actualidad, frente al in-contable numero de herramientas de proposito ge-

neral, pero estan alcanzando una rapida difusion,sobre todo en los ultimos dos anos.

G2 es un entorno para desarrollo de sistemasde control inteligente para grandes procesos in-dustriales [Gensym 89]. Es un sistema potente yversatil, pudiendo utilizarse en gran numero demaquinas y permitiendo arquitecturas distribui-das sobre una red. El sistema dispone ademasde mecanismos de simulacion para prediccion decomportamientos del sistema bajo control. Es launica herramienta disenada especificamente pa-ra control y que ha alcanzado un grado de difu-sion elevado. Es el sucesor de otra herramienta de-nominada PICON ligada a las maquinas Lisp deLMI con procesador adicional 68010 para compu-to numerico e interaccion con el exterior. G2 noesta ligado a ninguna arquitectura especıfica ni re-quiere de ningun tipo de lenguaje soporte9 (Com-mon Lisp en el caso de PICON).

NEXPERT OBJECT Se presenta como un jue-go de herramientas para desarrollo de bases deconocimiento, junto con una librerıa de funcionesde inteligencia artificial integrable en aplicacionesde usuario. Su estructura dirigida por eventos lohace adecuado para su utilizacion en aplicacionesde control. Su orientacion no es exclusiva hacia elcontrol.

IDSEC es una herramienta de sistemas exper-tos en tiempo real para aplicaciones industrialesligada a las maquinas Lisp de Symbolics con pro-cesador Ivory. Combina la potencia de computosimbolico del procesador lisp con un procesadorconvencional. Es muy similar a la herramienta G2.

Otros productos de menor tamano son CHRO-NOS [Euristic 89], COMDALE y NEMO [S2O 90]ofreciendo posibilidades de razonamiento tempo-ral sin necesidad de utilizar grandes equipos.

4.6.4. Evoluciones

Las evoluciones desde otras areas han condu-cido a sistemas que presentan utilidad en controlinteligente, pero que no alcanzan la versatilidad ola potencia necesaria para su utilizacion en gran

9Aunque G2 corre sobre una version especial de CommonLisp preparada para su usu en tiempo real, este Common Lispforma parte del propio G2, no siendo accesible para el usuario.

56


cantidad de problemas de control.

Evoluciones desde el campo de control

Esta evolucion conduce a herramientas obte-nidas por generalizacion y evolucion de sistemasde control clasicos. Los fabricantes de sistemas decontrol que implantan metodologıas clasicas tra-tan de mantener sus cuotas de mercado por la in-troduccion continua de avances en sus sistemas.

En este punto cabe hacer especial mencion dedos sistemas que hacen uso de las tecnicas borro-sas para implantar reguladores basados en reglas.Estos sistemas son LinkMan de Sira Ltd. (U.K.) yFCL de la empresa danesa F.L. Smidth & Co. A/S[Holmblad 87].

Otro tipo de sistemas son los que incluyentecnicas de sistemas expertos para realizar regu-ladores calificables de adaptativos, en los que laadaptacion se lleva a cabo por medio de un siste-ma experto. Ejemplo de este tipo de sistemas sonEXACT [Foxboro 86] y EXPERT-AD [Adaptech 89].

La ultima moda es el dotar a estos sistemas decontrol clasico de elementos inteligentes que permi-tan la implantacion de estrategias de control masversatiles. Este es el caso de Integrale 2000, un pro-ducto que incluye a G2 como elemento de mas altonivel.

Evoluciones desde el campo de la inteligencia ar-tificial

KEE se ha venido introduciendo en los ultimostiempos [Intellicorp 86] como un entorno para de-sarrollo de aplicaciones de control basadas en elparadigma de razonamiento basado en modelos.En este entorno los modelos se construyen en ba-se a los marcos tradicionales, que son una mane-ra de enfocar la programacion orientada a objeto,aunque dejan mucho que desear desde el punto devista de la ocultacion de informacion y el polimor-fismo.

PLEXYS Es un entorno de desarrollo de siste-mas expertos orientado a la industria de proceso:generacion de energıa, quımica, refinerıas, etc. Hasido desarrollado en dos etapas; en primer lugar

por EPRI (Electrical Power Research Institute) yposteriormente por Intellicorp, como extension asu producto comercial KEE. No presenta una ar-quitectura especial, sino que tan solo incluye he-rramientas para modelado profundo de la plan-ta. La orientacion principal de este producto es lasupervision de sistemas, ofreciendo pocas posibi-lidades de control directo.

La adecuacion de las herramientas clasicas deinteligencia artificial al control en tiempo real eslimitado, por lo que las aplicaciones desarrolladascon ellas se centran en su mayor parte en el campodel diagnostico o la planificacion fuera de lınea.

Proyecto C2G

En el Departamento de Automatica, IngenierıaElectronica e Informatica Industrial de la UPM seesta desarrollando en la actualidad una aplicacionde control inteligente avanzado denominada C2G.Esta aplicacion, basada en la arquitectura CONEXpropuesta en esta tesis, esta siendo desarrollada encolaboracion con una empresa del sector cemente-ro.

CONEX se ha disenado como una arquitectu-ra de control inteligente y distribuido, orientada alcontrol de procesos con dificultades de modelado.Esta arquitectura permite la operacion en tiemporeal al integrar una serie de capas de control queimplantan mecanismos de control que se situan endiferentes niveles de velocidad de operacion e in-teligencia, de acuerdo con el principio de precisioncreciente con inteligencia decreciente [Saridis 89].

Los paradigmas de control empleados en estaarquitectura son:

Reguladores clasicos.

Reguladores borrosos basados en reglas.

Control basado en patrones.

Control experto basado en reglas.

Control experto basado en modelos.

Operadores humanos.

57


El sistema corre sobre una red de computado-res, consistiendo en un conjunto cooperativo desubsistemas.

C2G se esta desarrollando para un proceso par-ticular, pero con un diseno orientado a la transpor-tabilidad y adaptabilidad a nuevas plantas y nue-vos procesos. Para ello ha sido necesaria la des-composicion de las bases de conocimiento en ba-ses dependientes de planta y bases independientesde planta, de forma que la adaptacion a otro pro-ceso consista simplemente en la reconstruccion delas bases de conocimiento dependientes de planta.

4.7. Control Inteligente Avanza-do

El control inteligente es de por sı un controlavanzado, ya que se situa por delante de los para-digmas establecidos de control. No obstante el usode algunas tecnicas especiales conduce a sistemasde control inteligente que presentan caracterısticasespeciales.

Entre estas tecnicas se pueden destacar:

Aprendizaje

Arquitecturas distribuidas

Reconfiguracion

4.7.1. Aprendizaje en control inteligen-te

En control los modelos tienen formatos muydispares, que nosotros hemos clasificado en va-rias lıneas diferentes, distinguiendo entre modelosimplıcitos y explıcitos, entre modelos numericosy simbolicos y entre modelos internos y externos.Cada uno de estos modelos es susceptible de me-jora, y, en cada uno de ellos es planteable la utiliza-cion de tecnicas de aprendizaje para ello. En algu-nos casos estas tecnicas han existido durante largotiempo, pero en otros —quiza por sus especialescaracterısticas— estan en etapas muy tempranasde desarrollo. El aprendizaje en sistemas de con-trol no es un elemento introducido por la inteli-

gencia artificial sino que se habıa introducido conanterioridad [Fu 70].

El aprendizaje con modelos numericos implıci-tos es el caso de los sistemas de supervision dereguladores convencionales. En ellos se consigueuna mejora de las prestaciones del sistema de con-trol en base a modificaciones del algoritmo de re-gulacion. Estas modificaciones son por lo generalparametricas, limitandose a la modificacion de de-terminados parametros de los reguladores. Este ti-po de mecanismo de mejora de control se basaen criterios sobre el comportamiento del sistemacontrolado, como pueden ser la sobreoscilacion oel tiempo de establecimiento. Se han aplicado conexito en reguladores clasicos [Nikolic 86] [Ollero89b] e incluso en reguladores borrosos [Oliveira90].

En el caso de los controles adaptativos clasicosel modelo es numerico y explıcito. En este tipo desistemas se realiza una identificacion en lınea delproceso a controlar; de este modo se actualiza unmodelo explıcito de la planta que se emplea para elcalculo de los reguladores. Este tipo de aprendiza-je por mejora del modelo se usa en los reguladoresautoajustables (STR) y en los reguladores adapta-tivos con modelo de referencia (MRAC) [Astrom88].

En los sistemas expertos construidos con es-tructura de primera generacion es posible eluso de aprendizaje con los modelos simbolicosimplıcitos de este tipo de tecnicas. Ejemplo de es-te tipo de sistemas son los propuestos por Fogarty[Fogarty 89] y Velasco10. En ellos el sistema de con-trol basado en reglas utiliza enfoques basados enalgoritmos geneticos para la generacion de reglasy tecnicas de premio-castigo para corregir factoresde validez de dichas reglas. Este tipo de sistemaslogran ajustarse al sistema con velocidad adecua-da, aunque su comportamiento se ve muy afecta-do por circunstancias diversas, llegando a ser encierta medida impredecible11. En el punto sobreaprendizaje con modelos numericos implıcitos secomento la existencia de mecanismos de ajuste dereguladores basados en reglas borrosas, que sonasimilables al uso de modelos simbolicos mas quenumericos.

10J.R. Velasco, comunicacion personal.11J.R. Velasco, ibid.

58


Para los sistemas expertos de segunda genera-cion el modelo es simbolico y explıcito. En ellosse dispone de un modelo explıcito del sistema acontrolar, en el que de manera general existiranparametros susceptibles de mejora. El ajuste pa-rametrico de los modelos es importante tanto porlos errores de modelado iniciales, como por las de-rivas y alteraciones que sufre el proceso. Este en-foque de ajuste de parametros es similar al utili-zado en el caso de modelos numericos explıcitos.No debemos olvidar que los modelos utilizadosen este tipo de sistemas expertos suelen ser multi-resolucionales, con parte de los mismos realizadausando tecnicas clasicas de modelado de sistemas,lease ecuaciones diferenciales. Los modelos basa-dos en ecuaciones diferenciales son sin duda losmas adecuados —cuando es posible formularlos[Fishwick 90].

4.7.2. Arquitecturas distribuidas

Las arquitecturas distribuidas para control in-teligente suelen seguir dos enfoques diferentes:los sistemas jerarquicos y los sistemas cooperantes[Mladenov 89]. Este tipo de arquitecturas persiguendos tipos de objetivos:

Aumento de la potencia del sistema, gracias ala intervencion de varias maquinas y a la posi-bilidad de dimensionar las maquinas para lastareas que van a realizar.

Aumento de la seguridad de operacion, utili-zando enfoques de arquitecturas tolerantes afallos tanto hardware como software.

Este tipo de avances no son especıficos de lossistemas de control inteligente, sino que se dan entodo tipo de sistemas informaticos. En el campo desistemas de control inteligente son especialmenteimportantes por la necesidad de grandes potenciasde computo que tienen estos sistemas y por la di-ficultad de verificacion de los sistemas basados eninteligencia artificial.

En las arquitecturas cooperantes los sistemas sedescomponen en una serie de subsistemas que lo-gran el objetivo final en base a una cooperacion.

Cada uno de los subsistemas solo es capaz de re-solver una parte del problema, pero todos ellos deforma conjunta pueden resolver el problema total.

Este tipo de arquitecturas son especialmenteinteresantes desde el punto de vista del desarro-llo, ya que la limitacion de tamano de los subsiste-mas —que son en sı sistemas completos— facilitasobremanera su construccion y verificacion.

Entre las tecnologıas de sistemas distribuıdosy de cooperantes se produce un efecto sinergeticoque esta dando lugar a importantes desarrollos enel area de control inteligente.

59

Capıtulo 5

Metodologıa de Diseno

When the decision time comes, the making andimplementation of

a decision cannot be postponed

Mesarovic, Macko and TakaharaTheory of Hierarchical, Multilevel, Systems

5.1. Introduccion

Hasta ahora los sistemas de control inteligen-te han sido fundamentalmente sistemas basadosen reglas. El uso de estos sistemas para controlde procesos complejos conduce inexorablemente ala generacion de bases de conocimiento masivasy poco eficientes. Esta masividad tiene su origenen la complejidad del proceso a todos los nivelesy en que uno de los objetivos principales del con-trol inteligente es la robustez en un amplio rangode condiciones de funcionamiento, por lo que espreciso especificar las acciones para cada una delas circunstancias que se pueden dar en el sistemamediante el conjunto de reglas pertinente.

Un enfoque habitual en los ultimos tiempos esel uso de sistemas basados en reglas estructura-dos en metaniveles. Un metanivel es un conjuntode reglas cuyo dominio son tambien reglas. Por logeneral este tipo de arquitecturas de sistemas ex-pertos constan de una base de metaconocimientoy una serie de bases de conocimiento sobre el do-minio. La base de metaconocimiento sirve para, apartir de los hechos iniciales, seleccionar la baseo bases de conocimiento sobre el dominio a utili-zar para resolver el problema en cuestion. De estemodo se logra una focalizacion mas adecuada so-bre el problema, aumentando las prestaciones delsistema ya que la mayor parte de las reglas no per-

tinentes no se utilizan, con lo que se evita el cos-toso casamiento con las mismas. Este tipo de siste-ma —sistema experto con metanivel— es un claroejemplo de un sistema descompuesto en dos nive-les analogos a los empleados en sistemas bicapa.

Otro tipo de arquitectura, aunque menos habi-tual, es la representada por los sistemas cooperan-tes. En ellos una serie de sistemas expertos coope-ran para resolver un determinado problema. Ca-da uno de los sistemas expertos tiene una base deconocimiento que le permite resolver un determi-nado tipo de situaciones. El enfoque de divisionde la base de conocimiento no es separar proble-mas diferentes en diferentes bases, sino separar losdistintos aspectos de un determinado problema.Ejemplos tıpicos de sistemas con arquitectura deeste tipo son los sistemas HEARSAY II y III [Ge-varter 84][Bundy 86]. Este tipo de descomposicionfuncional conduce a sistemas especialistas en de-terminadas actividades.

En los sistemas autonomos es preciso el usode informacion procedente de fuentes muy diver-sas y con niveles de abstraccion muy diferentes,por ello es preciso utilizar mecanismos de razo-namiento para todos estos niveles de abstraccion.Esto nos conduce a la descomposicion del sistemabasado en el conocimiento en varios, tratando ca-da uno informacion a un determinado nivel, quevarıa desde el puramente numerico hasta los nive-les simbolicos mas abstractos.

En resumen podemos decir que cuando el do-minio es muy amplio la descomposicion del sis-tema inteligente en subsistemas es un enfoque nosolo adecuado, sino que tanto desde el punto devista de la operacion normal, como del desarrollo

60

Capıtulo 5. Metodologıa de Diseno

parece inevitable su utilizacion. Este enfoque pue-de ser jerarquico o heterarquico, con descomposi-cion guiada por dominios, por funcionalidad o pornivel de abstraccion.

Ya [Saridis 83] menciona la necesidad de des-composicion jerarquica de los sistemas de con-trol inteligente. Su estructura en tres niveles —ejecucion, coordinacion, organizacion— permiterealizar una descomposicion funcional del sis-tema. Este es un objetivo muy deseable des-de el punto de vista de la claridad de opera-cion, facilidad de desarrollo, seguridad y eficien-cia del sistema. No obstante, las descomposicionesjerarquicas pueden llevarse mas lejos que la sim-ple descomposicion funcional para claridad inte-lectual. La descomposicion —fundamentalmentejerarquica— de los sistemas de control nos permi-tira alcanzar un objetivo esencial en control, y dedifıcil consecucion en el caso de sistemas inteligen-tes: la operacion en tiempo real.

Esta lentitud que caracteriza a los sistemas ba-sados en reglas es debida a la explosion combina-toria asociada a algunas caracterısticas del funcio-namiento de dichos sistemas, en particular a losprocesos de casamiento. Los enfoques utilizadospara resolver este problema pasan por lo general atraves del desarrollo de arquitecturas hardware es-pecıficas —maquinas LISP, ordenadores de 5a ge-neracion, procesamiento en paralelo— que resuel-ven parcialmente el problema. En la mayorıa delos casos este problema de velocidad no es crıtico,ya que por lo general es un ser humano el que in-teractua con dichos sistemas, siendo habitualmen-te mas lento que el. Sin embargo este hecho noes generalizable a los sistemas de control basadosen reglas (SCBRs), dado que estos sistemas tienenvınculos con el mundo. La necesidad de velocidadde operacion se acentua en la medida en que es-tos sistemas son requeridos para operar en tiem-po real en sistemas progresivamente mas rapidos,como puede ser el caso de utilizacion de sistemasinteligentes embebidos en avionica.

En este capıtulo analizaremos la problematicade la operacion en tiempo real para sistemas decontrol basados en el conocimiento —en particu-lar reglas—, proponiendo un metodo novedoso dediseno e implantacion de los mismos —una meto-dologıa de diseno de arquitecturas— que permite

una mejora de prestaciones para sistemas de con-trol inteligente. Estas arquitecturas permitiran eluso de estos sistemas en tiempo real. Esta metodo-logıa se basa en la descomposicion del sistema porniveles de abstraccion, dominios y funciones. Esteenfoque de descomposicion multiple es novedo-so, aunque se aproxima a metodos particulares dedescomposicion propuestos por otros autores.

¿Por que hablar de una metodologıa de desa-rrollo de arquitecturas y no de una arquitecturaespecıfica?. Los problemas en los que el controlinteligente es util son problemas muy complejos,que requieren la integracion de una serie de tecni-cas y el funcionamiento conjunto de gran cantidadde mecanismos —procedentes de todas las areasde proceso de informacion— para obtener resulta-dos aceptables. Por ello las arquitecturas de con-trol inteligente deben ser arquitecturas orientadas aldominio. En realidad esto no es nada nuevo, ya quecomo se comento en el capıtulo anterior, casi todoslos desarrollos independientes de sistemas de con-trol, empiezan cinendose a arquitecturas generi-cas proporcionadas por herramientas de desarro-llo, pero cuando los requisitos de operacion em-piezan a ser fuertes —en particular, cuando hayrequisitos fuertes de operacion en tiempo real—es precisa la reconstruccion independiente del sis-tema. Estas reconstrucciones independientes im-plantan arquitecturas especıficas para el problemade control a resolver.

Aparte de un aumento de prestaciones, la des-composicion del sistema reporta otros tres grandesbeneficios: facilita el desarrollo por equipos de tra-bajo diferentes, aumenta la verificabilidad y por lotanto la fiabilidad y ademas favorece la reutilizabi-lidad. Como dice Parnas [Parnas 90] refiriendoseal software con seguridad crıtica, este debe mante-nerse tan pequeno y simple como sea posible, pormedio de trasladar las funciones que no son crıti-cas a otros computadores, o en nuestro caso a otrossubsistemas.

Las descomposiciones de sistemas de toma dedecisiones pueden ser fundamentalmente de dostipos: jerarquicas y heterarquicas. En una descom-posicion jerarquica existen relaciones de preceden-cia entre los diferentes sistemas, de forma que setiene una relacion de orden parcial. En una des-composicion heterarquica, por contra, no se tiene

61


esta relacion de orden parcial. Las arquitecturasheterarquicas son difıciles de encontrar, debido alos graves problemas para su desarrollo y verifica-cion, por lo que la metodologıa mas extendida —en el campo industrial sobre todo— es la jerarqui-ca.

En este capıtulo se persigue un objetivo triple:

1. Por una parte estudiar las arquitecturasjerarquicas como un medio de construccionde grandes sistemas de control en los que sedeben integrar diferentes metodologıas.

2. Por otra analizar las caracterısticas de losprincipales paradigmas de control basado enel conocimiento para su utilizacion en controlen tiempo real.

3. Por ultimo proponer una metodologıa deanalisis y diseno de arquitecturas de controlinteligente basada en descomposicion.

5.2. Objetivos de la descomposi-cion

Los objetivos de la metodologıa de descompo-sicion de sistemas de control inteligente son los si-guientes:

Aumentar las prestaciones, sobre todo el as-pecto de velocidad, que permitan el uso deeste tipo de sistemas en control de procesos.

Posibilitar el control de los tiempos de ejecu-cion, de forma que se puedan establecer ar-quitecturas de control que permitan la ope-racion en tiempo real, tanto con restriccionesdebiles como fuertes.

Facilitar el proceso de desarrollo, ya que eldescomponer los sistemas permitira el desa-rrollo de los mismos por equipos diferentes.

Aumentar la verificabilidad de los sistemas.Las bases utilizadas por los sistemas basa-dos en conocimiento son mas reducidas detamano, y ademas descompuestas funcional-mente, lo que facilita el analisis a fondo de lasmismas.

Posibilitar el desarrollo de arquitecturas avan-zadas, con mas dosis de inteligencia.

Aumentar la reutilizabilidad del software de-sarrollado.

5.3. Sistemas Jerarquicos

En este apartado seguiremos a Mesarovic [Me-sarovic 70] en la exposicion de una serie de ca-racterısticas generales de los sistemas jerarquicos.Veremos que estas caracterısticas son directamen-te relacionables con el modo de operar humano y quetienen una clara aplicacion en la construccion sesistemas de control inteligente.

Entenderemos por sistema jerarquico de controlun sistema en el que existe una disposicion ver-tical de subsistemas, con prioridad de actuacion ointervencion de los niveles superiores y dependen-cia por parte de los niveles superiores del compor-tamiento de los inferiores.

5.3.1. Tipos de jerarquıas

Los sistemas jerarquicos estan compuestos poruna serie de niveles que reciben diferentes deno-minaciones dependiendo del tipo de criterio queha guiado la descomposicion. Este criterio de des-composicion determina los tipos de jerarquıas quese pueden llevar a cabo. Para Mesarovic los tiposbasicos de jerarquıas son tres: basadas en estratos,capas y escalones. Estos tipos de jerarquıas tienenlas siguientes caracterısticas:

Estratos : Constituidos por diferentes niveles de abs-traccion. Un ejemplo de este tipo de descom-posicion jerarquica lo constituye un sistemade ayuda al diseno de circuitos electronicospara computadores.

En este tipo de sistema la representacion delconocimiento sobre el circuito se tiene en di-ferentes niveles de abstraccion. En un primernivel se tiene el circuito fısico; un substrato desilicio con una serie de capas depuestas paraconstituir un circuito. En un segundo nivel te-nemos el circuito electrico, en el que aparecen

62


como elemento fundamental de construccionlos transistores; en un siguiente nivel tendre-mos el circuito logico, en el que el sistema apa-rece como una serie de puertas logicas inter-conectadas; ası podrıamos continuar por el ni-vel de circuitos integrados (biestables, memo-rias, multiplexores, etc), subsistemas (memo-ria, control de perifericos, procesadores, etc),hasta llegar al nivel de sistema (computador)o aun por encima de este (multiprocesadores,redes, etc). Como vemos todos los estratos tra-tan con el mismo producto: el sistema compu-tador.

En la figura 5.3.1 se pueden observar los tresniveles de abstraccion comentados (los circui-tos representados no se corresponden para nocomplicar excesivamente las figuras). En cadauno de ellos se tiene un modelo del mismo ob-jeto, un determinado circuito, pero el nivel deabstraccion es diferente, debiendo utilizar pa-ra razonar sobre su funcionamiento una seriede aspectos muy diferentes.

Figura 5.1: Nivel fısico, nivel de circuito y nivel logico.

Capas : Constituidas por niveles de complejidad dedecision. La toma de decisiones se ve afecta-da por dos factores fundamentales: (i) cuan-do llega el momento de tomar la decision es-ta no puede posponerse y (ii) para tomar ladecision mejor es preciso comprender mejorla situacion. Esta problematica dual conduce

a la creacion de sistemas basados en una je-rarquıa de niveles de decision. Niveles que seestructuran en base al principio de velocidaddecreciente con comprension creciente, que esanalogo al principio expuesto por Saridis [Sa-ridis 88a] de precision creciente con inteligen-cia decreciente. La descomposicion propuestapor Saridis es un ejemplo paradigmatico dedescomposicion en capas (ver 5.3.1).

Escalones : Correspondientes a la manera en queinteractuan un conjunto de sistemas de tomade decisiones con dependencias de prioridadentre ellos. En este tipo de sistemas son deespecial importancia los aspectos de coope-racion y coordinacion. En la se presenta unejemplo de estructura de este tipo, correspon-diente a lo que podrıa ser un sistema de con-trol de un robot.

Coordinación

Ejecución

Proceso

Organización

Figura 5.2: Jerarquia de control de Saridis [Saridis 88].

Estas jerarquıas propuestas por Mesarovic sonutilizables directamente al campo de control inteli-gente. Nosotros trataremos de centrar un poco es-ta aplicacion analizando los criterios que guiaranla generacion de estructuras jerarquicas de razo-namiento.

63


Organización

Coordinación Brazo

Coordinación Sensores

Control Brazo

ControlMano

Ejes 1-3 Ejes 4-6 Pinza Vision Tacto

Organización

Coordinación

Ejecución

Figura 5.3: Descomposicion en escalones de un sistema de control de robot usando lajerarquia de control de Saridis.

64


5.3.2. Jerarquıas en sistemas de controlinteligente

Los sistemas de control inteligente tienden aser sistemas jerarquicos, por las ventajas inheren-tes a este tipo de estructuras:

Facilidad de integracion con sistemas ya exis-tentes. Es habitual que la instalacion de un sis-tema de control inteligente deba hacerse porencima de un sistema de control preexisten-te y que no se desea eliminar. La estructurajerarquica permite que la integracion del siste-ma nuevo con el antiguo se haga sin excesivoperjuicio para ninguno de ellos.

La informacion del proceso se tiene a dife-rentes niveles de abstraccion, lo que condu-ce a la implantacion de mecanismos de mane-jo de estas informaciones con una estructurajerarquica natural.

Del mismo modo las polıticas de control se es-tablecen en terminos diferentes, que respon-den a una estructura de generalizacion pro-gresiva, por lo que es preciso implantar losmecanismos de generacion de acciones de lamisma forma.

Las arquitecturas jerarquicas permiten limitarel tamano de los modulos, lo que es adecua-do tanto desde el punto de vista de operacioncomo de desarrollo. En operacion, la limita-cion de tamano permite utilizar mas adecua-damente los recursos informaticos. En desa-rrollo, la descomposicion modular facilita elreparto de trabajo y disminuye la posibilidadde errores, facilitando las tareas de depura-cion y mantenimiento [Sanz 89a].

La modularizacion redunda en la flexi-bilidad del sistema —facilidad para elmantenimiento— y el la fiabilidad del mismo.

Todos estos factores hacen que en el caso de sis-temas de control inteligente la descomposicion seanecesaria. Pero es fundamental el seguir un crite-rio claro que permita desarrollar una arquitecturaadecuada. El criterio que se propone en esta tesisse basa en a) la descomposicion del sistema segun

cinco facetas que se estructuran en tres criterioscon direcciones cuasi ortogonales y b) la integra-cion de los modulos en una estructura jerarquicabasada en escalones. Estas facetas de descomposi-cion son las que aparecen en la. El criterio de desa-rrollo por descomposicion es un criterio polifaceti-co de divide y venceras.

Las facetas de descomposicion se agrupanen tres criterios que reciben las denominacionesde DOMINIO, FUNCION y REPRESENTACION-PARADIGMA-TIEMPO. El agrupar los tres ulti-mos aspectos en un solo criterio se debe a queestan estrechamente relacionados por cuestionesde implantacion, como se vera a continuacion.

REPRESENTACION-PARADIGMA-TIEMPO

FUNCION DOMINIO

Figura 5.4: Triple criterio de descomposicion.

5.3.3. Descomposicion por dominios

El criterio de descomposicion por dominiosnos permite distinguir grupos de funciones y da-tos relativos a un dominio determinado y practi-camente independientes de otros grupos. Este ti-po de descomposicion por dominio ha sido el em-pleado tradicionalmente en sistemas de controldistribuido. El sistema se reparte por areas de proce-so, esto es, por subprocesos del proceso total. En laFigura 5.3.3 se presenta una descomposicion de es-te tipo aplicada a un horno de clinker. En ella cual-quiera de los niveles inferiores presenta una des-composicion por dominios. Por ejemplo el segun-

65


Facetas de descomposicionFaceta Significado

DOMINIO Conjunto de objetos del mundo real a los que aplica elsubsistema.

FUNCION Tipo de tarea a realizar por el subsistema (puede conside-rarse un dominio abstracto).

REPRESENTACION Tipo y estructura de la informacion empleada por el sub-sistema.

TIEMPOVelocidad de operacion del subsistema, de importanciacrucial para el control en tiempo real de un determina-do proceso.

PARADIGMA Tecnologıa empleada en la construccion del subsistema.

Tabla 5.1: Facetas primarias a emplear en la descomposicion modular desistemas inteligentes de control.

66


do nivel esta dividido en tres subsistemas: controlde torre, control de tubo y control de enfriador.

Los sistemas con metaniveles presentan unadescomposicion de este tipo en la capa de re-solucion de problemas. La capa de seleccion —metaconocimiento— determina el dominio en quese situa el problema y activa la base de conoci-miento correspondiente a dicho dominio.

La descomposicion por dominios es el criteriomas claro y eficaz, ya que estas descomposiciones,cuando se realizan de forma adecuada, generanelementos con acoplamientos debiles, lo que faci-lita la coordinacion para operacion conjunta.

5.3.4. Descomposicion funcional

En un sistema de control inteligente las tareasa realizar son muy diversas —proceso de senales,diagnostico en lınea, razonamiento, interfase conhumanos, etc.—, por lo que parece adecuado se-guir un criterio funcional para descomponer nues-tro sistema segun especialidades. Dentro de la des-composicion apareceran dos tipos de funciones:

Funciones orientadas a proceso : Son aquellasque tienen que ver con las tareas que tienenrelacion directa con el proceso a controlar.Estas tareas son propiamente las tareas de unsistema de control, y se suelen estructurarlinealmente, esto es, responden a las etapasprogresivas de resolucion de un problema.Por ejemplo en el caso de un sistema de con-trol basado en reglas borrosas se distinguentres etapas —funciones— caracterısticas:difuminacion de valores medidos, obtenciondel valor borroso de la actuacion y conversionde este valor a un valor nıtido.

Funciones orientadas a sistema : Son las funcio-nes de soporte del sistema de control. Estasfunciones tienen como objetivo conseguir elfuncionamiento adecuado de los sistemas queimplantan las funciones orientadas a proceso.El ejemplo mas claro de este tipo de funcionesson las de coordinacion de diferentes modu-los, por ejemplo en el caso de un sistema parael control de un horno de cemento, la coordi-nacion entre los modulos de control del inter-

cambiador, de control del horno propiamentedicho y el de control del enfriador (Ver Figura??).

Este criterio nos permitira separar elementosque deben realizar funciones diferentes. Por ejem-plo un grupo de tales funciones son las funcionesatribuıbles a una interfase inteligente de proceso:filtrado, deteccion de anomalıas, estimacion de va-lores ocultos, etc. Estas funciones constituyen undominio funcional abstracto.

En muchos casos la descomposicion de funcio-nes es una descomposicion basada en niveles dedecision, en la que se integran diferentes elemen-tos de procesado de informacion que realizan to-ma de decisiones. Esta es una situacion clasica ensistemas jerarquicos de control, como es el caso dedos bucles de control anidados.

En el apartado anterior se mencionaron los sis-temas con metanivel como ejemplo de descompo-sicion por dominios. En este tipo de sistemas setiene tambien por lo general una descomposicionfuncional, seleccionandose de este modo la basemas adecuada al dominio-problema. Las descom-posiciones funcionales son en cierto sentido des-composiciones por dominios abstractos.

5.3.5. Descomposicion representacio-nal

El tercer criterio de descomposicion se basa enel nivel de abstraccion de la informacion a utilizar.La informacion que es de utilidad en control de unsistema complejo no es exclusivamente informa-cion numerica —valores medidos de las senales—sino que abarca todo un espectro de niveles de abs-traccion. La capacidad de manejar coherentementerepresentaciones en distintos niveles de abstrac-cion y razonar con ellas, es —a juicio del autor—una de las caracterısticas fundamentales de la in-teligencia.

Los primeros sistemas inteligentes manejabanrepresentaciones del mundo a un nivel simboli-co, que se alejaba —por abstracto— de lo conven-cional en computacion. El comportamiento de es-tos sistemas era a primera vista inteligente, decıany hacıan cosas que solo los humanos inteligentes

67


Control de Horno

Control de Torre

Control de Enfriador

Ventilador Exhaustor Alimentación Velocidad Parrillas Ventilador de

Equilibrio

Control de Tubo

Figura 5.5: El sistema de control de una fabrica de cemento se descompone en tresgrandes subsistemas en relacion con las unidades mayores del proceso: control de latorre de intercambio, control del horno y control del enfriador.

eran capaces de decir o hacer. Con el tiempo, ycon una valoracion adecuada de estos sistemas,sus limitaciones han aflorado. La mayor parte deellos aparecen ahora como sistemas de computosin ninguna caracterıstica especial.

Cuando observamos con detenimiento un sis-tema experto vemos que sus principales limitacio-nes se dan en su campo de aplicacion. Esta limi-tacion es el origen del conocido efecto acantilado:la degradacion de prestaciones del sistema exper-to cuando un problema cae fuera de su campo deaplicacion. Este efecto acantilado se produce endos dimensiones:

Dominio : Es la mas conocida, refiriendose a queun sistema experto solo puede resolver pro-blemas de su dominio de aplicacion. Si se leplantea un problema que cae ligeramente fue-ra de este dominio las prestaciones del sis-tema experto disminuyen enormemente. Unsistema experto en diagnostico de infeccionesde la sangre es incapaz de diagnosticar infec-ciones de linfa.

Abstraccion : Para que un sistema experto pue-da resolver un problema hay que plantearseloen sus propios terminos, en un determinadonivel de abstraccion. Al fin y al cabo un sis-

tema experto no es mas que un programa in-formatico, y por ello peca de falta de flexibi-lidad en la introduccion de las informacionesde partida. Los tan socorridos menus son unode los mejores mecanismos para inflexibilizarla entrada de datos, lo que evita cometer de-masiados errores en el planteamiento del pro-blema al sistema experto.

A los sistemas inteligentes les falta inteligen-cia para razonar en distintos niveles de abstraccion. Esimportante pues dotar a los sistemas de mecanis-mos que permitan este razonamiento multiresolu-cional. La creacion de sistemas jerarquicos de ra-zonamiento, que trabajen en distintos niveles deabstraccion y que pueden intercambiar informa-cion entre ellos parece un camino adecuado paradotar a los sistemas inteligentes de mayor inteli-gencia.

Este problema de degradacion de prestacioneses muy grave en el caso de sistemas de control entiempo real. La resolucion del mismo admite dosenfoques:

Limitativo : restringiendo la zona de aplicacion aldominio, mediante mecanismos de deteccionde problemas planteados fuera del dominio.

68


En el caso de sistemas de control supone de-tectar las situaciones en que este control esinaplicable y conmutar a otro modo de funcio-namiento, posiblemente pasando la responsa-bilidad del control a otro sistema, o en ultimotermino a un operador humano.

Extensivo : Completando la base de conocimientodel sistema para que no se den estas situacio-nes de fuera de lımites. Para ello es preciso utili-zar mecanismos de construccion de la base deconocimientos que posibiliten la eliminacionde vacıos de la misma, verbigracia el uso demodelos profundos.

5.3.6. Descomposicion temporal y porparadigmas

Los sistemas de procesamiento de informacionse implantan siguiendo paradigmas establecidos.La seleccion del paradigma a emplear se hace enbase a una serie de criterios entre los que des-tacan la disponibilidad, la facilidad de implanta-cion y las prestaciones. Cuando hay que realizarun sistema que implante una determinada funcionel numero de paradigmas utilizable es limitado,debiendo realizar una eleccion entre ellos. Esto esuna actividad de diseno del sistema.

Control Experto

ControlBorroso Control

Clásico

Velocidad

Abst

racc

ción

Figura 5.6: Correlacion paradigma-abstraccion-tiempo.

Cada paradigma de implantacion tiene asocia-dos por lo general un nivel de abstraccion y unfactor temporal. En el caso de los sistemas de in-teligencia artificial, la asociacion paradigma-nivelde abstraccion no es rıgida, pero sı suele serlo la

asociacion paradigma-factor temporal. No obstan-te los avances en hardware y software en este cam-po hacen que estas diferencias de tempo entre para-digmas sean progresivamente reducidas. Esto noslleva a enunciar un principio que caracteriza lasimplantaciones de sistemas jerarquicos inteligen-tes:

A medida que aumenta la inteligencia del sistema—asimilable al nivel de abstraccion en que opera— sereduce su velocidad.

Este resultado implantacional —inteligencia cre-ciente con velocidad decreciente— se deriva del yaconocido principio teorico formulado por Saridisde precision creciente con inteligencia decreciente, queafirma la correlacion entre inteligencia y abstrac-cion. Desde el punto de vista del control en tiemporeal es muy importante saber si un sistema sera ca-paz de responder dentro de los requisitos tempo-rales que le son impuestos por el sistema fısico quecontrola. En el caso de sistemas de control, o masgeneralmente, de sistemas de toma de decisiones,el factor temporal es el mas crıtico. No se puedeemplear un sistema lento para controlar un proce-so rapido, dado que el control debe realizarse entiempo real. Esto limita la aplicabilidad de determi-nados paradigmas para determinadas funciones,pero solo desde el punto de vista temporal, no delas prestaciones teoricas de dichos sistemas.

La descomposicion de un sistema puede serhomogenea o heterogenea, dependiendo de si losdiferentes sistemas que realizan funciones simila-res —por ejemplo control— esten o no construidosutilizando los mismos paradigmas de control. Lohabitual es que un sistema de control jerarquicosea heterogeneo, pero es posible pensar en siste-mas que no lo son. Por ejemplo consideremos elsiguiente proceso:

Sea un horno continuo al que se suministra un ma-terial compuesto por la mezcla de tres componentes. Enel horno, a una determinada temperatura y con un de-terminado tiempo de permanencia se produce una reac-cion entre los componentes para dar como resultado unproducto. Este producto es analizado para determinarsu composicion quımica y utilizar esta informacion pa-ra el ajuste de las proporciones. Las variables sobre lasque se puede actuar son: las cantidades de cada mate-rial, la velocidad de avance en el horno y la temperaturadel mismo.

69


En este proceso vemos claramente diferencia-das dos actividades de control: 1) el control de lapreparacion y 2) el control de la reaccion.

Organización

Coordinación

Control de Preparación

Control de Reacción

Figura 5.7: Ejemplo de sistema de control jerarquico ele-mental.

Para cada una de ellas es posible disenar un re-gulador utilizando cualquier paradigma de con-trol: PID, borroso, reglas, etc. Pero para que elfuncionamiento sea correcto estos dos sistemas decontrol no pueden ser independientes, ya que laactuacion de cada uno de ellos repercute en la delotro. Es preciso establecer un nivel de coordina-cion entre ambos sistemas de control (ver ). Delmismo modo que para los controles de los sub-procesos es posible emplear cualquiera de los pa-radigmas mencionados. La seleccion entre uno yotro se hara en funcion de las caracterısticas de lasimplantaciones de estos sistemas y de los requisi-tos del proceso: velocidad, estabilidad, uniformi-dad, etc.

5.3.7. Estructuracion jerarquica

Los criterios anteriores nos permiten guiar ladescomposicion de nuestro sistema de control in-teligente. De este modo llegamos a varios aspec-tos caracterısticos y fundamentales en un sistemade control inteligente que se presentan en la Tabla5.3.7.

Los modulos resultantes de la descomposicionse integraran segun una arquitectura jerarquica1,con reparto horizontal por dominios y reparto ver-tical por funciones, este reparto vertical dara lugara una serie de escalones en el sentido de Mesaro-vic. Esta organizacion no supone una eleccion es-pecıfica de paradigma o nivel de abstraccion paracada uno de los modulos situados en un nivel de-terminado, sino cada uno de ellos puede utilizarel paradigma mas conveniente de acuerdo con suspropios requisitos de operacion. A su vez cada uno deestos modulos puede sufrir ulteriores descompo-siciones.

Los diferentes niveles de abstraccion no tie-nen por que estar ligados a niveles especıficos deuna jerarquıa de sistemas, pudiendo utilizarse ni-veles de abstraccion bajos en niveles de decisionelevados y viceversa. Sin embargo esto no es lohabitual y el nivel de decision y el nivel de abs-traccion presentan una fuerte correlacion positiva(mayor nivel-mayor abstraccion). Lo mismo suce-de con los criterios temporal y paradigmatico. Ca-da paradigma lleva asociado por lo general un ni-vel de abstraccion determinado, aunque la flexibi-lidad de las tecnicas de inteligencia artificial radi-ca en una reduccion de la fuerza de esta asocia-cion. Igualmente cada paradigma tiene un tempocaracterıstico, que puede variar de una implanta-cion a otra, pero que viene determinado por el ti-po de algoritmo y estructura de datos que emplee.Esto hace que la correlacion abstraccion-tiempo-paradigma sea muy elevada, que es lo que condu-ce a la correlacion fuerte con el nivel decisional.La toma de decisiones en los sistemas de interac-cion directa con el proceso debe ser necesariamen-te rapida, por lo que determinados paradigmas nopueden ser empleados a causa de su lentitud. Estoobliga a que los unicos niveles que pueden apro-vechar los paradigmas de implantacion ligados aabstracciones fuertes sean los niveles con menoresrequisitos temporales, mas lentos, situados por logeneral en niveles decisionales elevados.

Las arquitecturas clasicas de control distribui-do son arquitecturas jerarquicas, distribuidas por

1La descomposicion funcional no conduce necesariamente asistemas jerarquicos, ya que este es un aspecto estructural quese introduce con posterioridad. Sin embargo en esta tesis nosreferiremos por lo general a estructuras jerarquicas, y no a es-tructuras cooperativas que podrıa ser la otra alternativa.

70


Caracterısticas de un sistema complejoFaceta Denominacion

DOMINIO Distribuido por dominios. Localizado.

FUNCION Distribiodo por funciones. Especializado.

REPRESENTACION Multiresolucional.

TIEMPO Multitemporal.

PARADIGMA Multiparadigma.

Tabla 5.2: Denominaciones caracterısticas empleadas para los sistemascomplejos descompuestos en funcion de las facetas que han guiado dichadescomposicion.

dominios y funciones. Por ello se tratara de acla-rar el uso del termino distribuido en esta tesis.Cuando nos refiramos a un sistema como distri-buido queremos decir que el sistema esta consti-tuido por una serie de elementos autonomos peroque interaccionan entre sı. Para abreviar el uso delos terminos distribuido por funciones y distribuidopor dominios se emplearan como sinonimos de es-tos separado y disperso. Ası diremos que un sistemadistribuido convencional es jerarquico, separado ydisperso y que un sistema de control inteligente es,ademas, multiresolucional.

La estructuracion jerarquica de los sistemasresponde a unos criterios de operatividad guiadospor las circunstancias mencionadas para los crite-rios de descomposicion. Esto hace que los sistemasjerarquicos de control presenten las siguientes ca-racterısticas generales (salvo excepciones):

Un modulo situado en un nivel superioresta involucrado en las actividades relaciona-das con un dominio mas amplio que uno si-tuado a nivel inferior.

El tempo caracterıstico de una unidad en unnivel superior es mayor que en un nivel infe-rior.

Derivado de los dos anteriores, los modulosde los niveles superiores estan involucradoscon los aspectos mas lentos del comporta-miento global del sistema.

Las representaciones en los niveles superioressuelen ser menos estructuradas, con mas in-certidumbre y en un mayor nivel de abstrac-cion.

La descomposicion por dominios es la de masfacil comprension y realizacion. La integracion dediferentes modulos de esta descomposicion se rea-lizara mediante un nivel funcional superior decoordinacion entre ellos. La descomposicion fun-cional es en esencia similar a un analisis funcionalclasico. La descomposicion representacional, que-da un poco difuminada entre los diferentes modu-los, ya que estas descomposiciones son ortogona-les y el situar un modulo en un determinado ni-vel jerarquico no supone necesariamente que debautilizar un determinado tipo de representacion.

Las arquitecturas cooperativas que existen enla realidad son en cierta medida arquitecturasjerarquicas, con descomposicion funcional y conpoca profundidad en su estructura de niveles. Noobstante puede ser interesante considerarlas como

71


arquitecturas heterarquicas, en las que la coordi-nacion no se da gracias a un modulo con esta fun-cion expresa, sino que se alcanza por una funcio-nalidad distribuida entre todos los modulos.

Denominaremos control jerarquico a todo siste-ma de control descompuesto, con funcionalidaddistribuida a lo largo de una serie de niveles conrelaciones jerarquicas entre ellos. Cada uno de es-tos niveles es, por sus caracterısticas, un sistemade control. Diremos que un sistema de control esjerarquico inteligente cuando alguno de los nive-les de control este implantado utilizando tecnicasde inteligencia artificial. Los sistemas de controljerarquico inteligente que deban operar en tiem-po real deben ser —casi por necesidad— hete-rogeneos. Ello es debido a que los sistemas basa-dos en reglas no tienen la suficiente rapidez deoperacion y, lo que es mas importante, sufren deimpredecibilidad de tiempo de ejecucion.

En sistemas heterogeneos es de fundamentalimportancia los aspectos de interfase entre los di-ferentes niveles representacionales. Los modulosinteligentes de la arquitectura se basaran por lo ge-neral en representaciones mas abstractas que losbasados en teorıa clasica de control, pero en ulti-mo termino todos operan sobre el mismo proceso,por lo que deben manejar datos coherentes.

5.4. Operacion en tiempo real

La operacion en tiempo real es susceptible dedefiniciones multiples, pero la caracterıstica fun-damental en todas ellas es la caracterizacion en ba-se al comportamiento temporal de un sistema in-formatico en relacion con un sistema fısico.

Un sistema informatico, que interactua con unsistema fısico, tiene como mision la realizacion decierto proceso de informacion en relacion con elsistema fısico en cuestion. Cuando el correcto fun-cionamiento del sistema informatico-fısico depen-de del adecuado acoplamiento —flujos de datoscorrectos tanto en sus valores como en su tempora-lidad— diremos que el sistema tiene requisitos deoperacion en tiempo real. Si el sistema informaticocumple estos requisitos diremos que dicho sistemaes un sistema en tiempo real. Vemos pues que la

operacion en tiempo real de un sistema informati-co se define siempre en base a un sistema fısico conel que interactua.

Los sistemas de control son sistemas en tiemporeal per se. No es concebible un sistema de controlque no funcione en tiempo real. Nadie desea unsistema de control que le diga:

Hace una hora habıa que haber subido el combustibleun diez por ciento.

No obstante, en los sistemas de control existetoda una gama de requisitos de operacion. Un sis-tema de control de una maquina herramienta tie-ne que trabajar evidentemente a mayor velocidadque un sistema de control de un proceso de puri-ficacion de agua. Las posibilidades de control novienen dadas por el metodo de control, sino fun-damentalmente por el sistema de soporte de di-cho metodo. Un PLC permite implantar algorit-mos de control que pueden operar a gran veloci-dad. Un computador de proceso tiene una veloci-dad menor, y si pensamos en un sistema basadoen el conocimiento, la velocidad es aun menor.

Analizaremos a continuacion las prestacionesde algunos paradigmas de control inteligente des-de el punto de vista de su operacion en tiemporeal. Esta analisis permitira establecer su aplicabi-lidad en sistemas de control inteligente.

5.4.1. Requisitos fuertes

Los requisitos fuertes de operacion en tiemporeal se refieren a que el correcto funcionamientodel sistema en tiempo real, requiere de la realiza-cion de los procesos de informacion dentro de laslimitaciones temporales impuestas. En un sistema deeste tipo no es permisible una demora, aunque seaesporadica. El comportamiento del sistema debeser siempre dentro de lımites.

Ejemplo de este tipo de sistemas son algunosde los sistemas de avionica avanzada. No es per-misible que las actuaciones de este tipo de siste-mas sufran demoras impredecibles, dado que laseguridad del aparato y la del piloto dependen dela correcta operacion —tanto en valores como entiempo— del sistema informatico. Lo mismo suce-de con sistemas de cuidado intensivo de pacientes

72


como con sistemas de gestion de emergencias enplantas nucleares.

5.4.2. Requisitos debiles

Los requisitos debiles de operacion en tiemporeal se refieren a que el correcto funcionamientodel sistema en tiempo real no requiere que la ope-racion del sistema sea siempre entre lımites. Esadmisible por lo tanto que se produzcan retardosesporadicos. En estos sistemas —por ejemplo sis-temas de control de plantas industriales— el nosatisfacer los requisitos temporales se traduce enuna disminucion de la calidad de operacion, conla consiguiente perdida de rendimiento.

En algunos de estos sistemas, no obstante, pue-den aparecer circunstancias que presenten requi-sitos de operacion fuertes, como puede ser el casode manejo de emergencias.

5.4.3. Sistemas basados en reglas borro-sas

Los sistemas basados en reglas borrosas son,con mucho, los que ofrecen mejores caracterısticasde operacion en tiempo real. Con estos sistemases posible determinar a priori el tiempo necesa-rio para la determinacion de la accion de control,ya que su estructura monocapa hace que no hayaencadenamiento posible, por lo que el tiempo decalculo es fijo. Este tipo de reguladores esta muyestudiado, pudiendo encontrarse referencias ade-cuadas sobre ellos [Pedrycz 89].

Los desarrollos de controladores reales basadosen reglas borrosas estan a la orden del dıa, alcan-zando una gran difusion. De hecho existen en elmercado paquetes de control basados en este tipode reguladores o incluso procesadores especıficospara hacer inferencias borrosas [Togai 89].

5.4.4. Sistemas basados en reglas

El estado actual del arte en entornos de inge-nierıa del conocimiento para desarrollo de aplica-ciones con requisitos de tiempo real y en particu-

lar sistemas expertos muestra la precariedad de lossistemas de este tipo.

Como vimos anteriormente, estos sistemasofrecen alternativas interesantes al control clasi-co, pero la necesaria operacion en tiempo real ha-ce preciso matizar las posibilidades de uso de losmismos. Es preciso pues analizar sus caracterısti-cas desde algunos puntos de vista:

¿Existen sistemas de desarrollo de aplicacio-nes de control basadas en reglas?

¿Es posible su utilizacion en tiempo real?

¿Hasta que punto estos sistemas satisfacen re-quisitos debiles?

¿Hasta que punto estos sistemas satisfacen re-quisitos fuertes?

¿Existe algun desarrollo real?

Tecnicas de desarrollo actuales

Las tecnicas de desarrollo de sistemas de con-trol basados en reglas son bastante heterodoxas;aunque suelen a basarse en sistemas de desarro-llo, cuando precisan de prestaciones elevadas de-ben ser construidos utilizando otro tipo de tecni-cas, por lo general lenguajes convencionales.

Un sistema de desarrollo es una herramientasoftware que permite el desarrollo, verificacion eimplantacion de sistemas de control basados enreglas. Actualmente pocas herramientas permitenrealizar los tres pasos, careciendo practicamentetodas de utiles para realizar la verificacion.

En la actualidad el desarrollo de sistemas decontrol basados en reglas se puede agrupar en trestipos:

1. Desarrollos basados en herramientas conven-cionales de inteligencia artificial.

2. Desarrollos basados en herramientas especıfi-cas para SCBRs.

3. Desarrollos independientes.

73


Caracterısticas de operacion en tiempo real

Los desarrollos basados en herramientas clasi-cas carecen por completo de caracterısticas de ope-racion en tiempo real, por lo que son absolutamen-te inadecuados como SCBRs. Este tipo de sistemassuelen utilizarse como ayuda a operadores o comoelementos de diagnostico.

Los sistemas construidos con herramientas es-pecıficas presentan mejores caracterısticas; comopor ejemplo, una mayor velocidad de ejecucion,sacrificando aspectos como la flexibilidad del len-guaje de representacion del conocimiento; una me-jor capacidad de razonamiento temporal; y la ca-pacidad de interrumpibilidad.

Los desarrollos en este area han conducido aproductos avanzados, que estan alcanzando grandifusion debido al auge de los sistemas expertos yde la informatizacion en general, y a las carenciasmanifestadas por los sistemas convencionales.

Cuando los requisitos de operacion en tiemporeal son importantes, bien requisitos fuertes, bienrequisitos debiles pero con tiempos pequenos, nisiquiera las herramientas especıficas dan las sufi-cientes prestaciones. En estos casos es preciso re-currir a desarrollos especıficos. Este tipo de desa-rrollos se dan fundamentalmente en el campo dela defensa y, de un tiempo a esta parte, en las gran-des industrias.

Satisfaccion de requisitos temporales

Los requisitos de operacion en tiempo real sonfundamentalmente temporales, dados por un re-tardo maximo admisible en el tiempo de compu-to. Como hemos visto anteriormente, decir que unsistema satisface requisitos fuertes de operacionen tiempo real quiere decir que dicho sistema ge-nera la salida —senal de control— antes de estetiempo especificado a priori. Los requisitos debi-les, por contra, permiten que este tiempo se supereesporadicamente.

Ası pues el garantizar que un sistema cumplerequisitos de tiempo real supone decir, en el casode que los requisitos sean fuertes, que el SCBR rea-liza la determinacion de la accion de control en untiempo menor que el especificado; y en en el caso

de que los requisitos sean debiles, que el SCBR rea-liza por lo general la determinacion de la accion decontrol en un tiempo menor que el especificado.

El garantizar estos tiempos es muy difıcil enSCBRs. Salvo que los tiempos lımite especificadossean muy altos no existe en la actualidad ningunentorno que permita el desarrollo de sistemas ca-paces de satisfacer requisitos fuertes. El problemafundamental no es la satisfaccion de los requisi-tos, sino el garantizar dicha satisfaccion, ya que losmecanismos de verificacion de sistemas basadosen reglas son muy limitados y no permiten ana-lizar la duracion temporal de las inferencias.

La satisfaccion de requisitos debiles es mas via-ble, ya que la verificacion por simulacion permitegarantizar la satisfaccion de dichos requisitos.

Desarrollos reales

Los desarrollos reales de sistemas de controlinteligente han sido hasta hace poco mas bienescasos, reduciendose practicamente a aplicacio-nes desarrolladas en el ambito universitario y conpropositos de investigacion y/o demostracion.

En el ambito industrial las aplicaciones de sis-temas de control basados en reglas han sido practi-camente inexistentes por encima de un cierto nivelde complejidad. Practicamente los unicos desarro-llos comprobados —no experimentales— eran:

Los llevados a cabo en el area de supervisionde procesos. Implantados mediante herra-mientas especıficas de desarrollo.

Los SCBRs que emplean logica borrosa ybases de conocimiento monocapa, utilizadoscon exito en gran cantidad de situaciones; deellos existen incluso productos comercialestanto en software como en hardware.

Aplicaciones de SCBRs en control directo res-tringidas a sistemas muy simples.

Pero desde la introduccion de determinadasherramientas especıficas —como es el caso de

74


G2— la aplicacion de estos sistemas en el mun-do industrial es cada vez mas patente. Esta faltade introduccion hasta hace poco cabe achacarla ala dificultad de garantizar un funcionamiento tem-poralmente correcto de los SCBRs.

5.4.5. Sistemas basados en modelos

La operatividad de estos sistemas en tiemporeal es limitada, en el mismo sentido que lo es lade los sistemas basados en reglas. Sin embargo eluso de mecanismos de orientacion a objeto parala construccion de los modelos hace que el nume-ro de reglas necesario sea muy reducido, de formaque las ejecuciones del motor de inferencia seanmas rapidas.

5.5. Descomposicion de Siste-mas basados en el Conoci-miento

El objetivo de este apartado es presentar unametodologıa original de desarrollo de arquitectu-ras para SCBRs que permita una mejora de pres-taciones de este tipo de sistemas para operacionen tiempo real. Esta mejora de prestaciones se lo-grara principalmente mediante una reduccion dela base de conocimientos activa en cada pasadadel motor de inferencia. De este modo se reduceel costo computacional asociado al casamiento. Eltiempo empleado en el casamiento es un porcenta-je muy elevado del tiempo total consumido en ca-da pasada del motor de inferencia; en sistemas conelevado numero de reglas este porcentaje puedeaumentar aun mas, sobre todo cuando se generanconjuntos conflicto reducidos, como es habitual enSCBRs. Este tiempo es proporcional al numero dereglas de la base de conocimientos. La mejora develocidad en la etapa de casamiento que se propo-ne en este documento se lograra mediante de unadisminucion del numero de reglas activas.

La mejora de velocidad en SCBRs propuesta enesta tesis pasa a traves de dos puntos cruciales:

La descomposicion de la base de conocimien-tos, de forma que en cada pasada del motor de

inferencia la base de conocimientos activa seatan solo una parte de la base de conocimientostotal.

Un mecanismo de planificacion de las basesde conocimiento, de forma que se alcancen lasconclusiones finales en tiempo mınimo.

Ambos aspectos son fundamentales para la re-duccion de la base de conocimiento activa y la me-jora temporal, de forma que el motor de inferenciapueda establecer a priori una estimacion de la du-racion de la inferencia.

5.5.1. Descomposicion de la base deconocimientos

El descomponer la base de conocimientos su-pone dividir el conjunto de reglas que la compo-nen en grupos de reglas relacionadas; esta relacionpuede ser:

Vinculacion al dominio : un grupo de reglas sediran vinculadas por dominio, cuando sonaplicables a un conjunto de hechos determi-nado. Es clasico que en la premisas de las re-glas aparezcan clausulas relativas a la tarea arealizar. En sistemas mas avanzados es posi-ble la invocacion de grupos de reglas —basede conocimientos descompuesta— asociadosa determinados entes del dominio. Este es elcaso de la accion focus de G2 [Gensym 89]. Es-to es una descomposicion por dominio.

Grado de razonamiento : Cuando se utiliza eltermino metaconocimiento nos estamos refi-riendo a conocimiento sobre el conocimien-to. Este conocimiento se emplea habitualmen-te para controlar el proceso de inferencia. Di-remos que el conocimiento sobre el dominioes conocimiento de grado 0. Al metaconoci-miento diremos que es grado 1 y ası sucesiva-mente. Es importante separar el conocimientopor grados, ya que de esta forma se clarificansobremanera las bases de conocimiento. Estadescomposicion es una descomposicion fun-cional orientada a sistema. Vease por ejemplola siguiente regla de XCON [Barker 89]:

75


IFThe current step of the process of changing thecharacteristics involves reseting after a change wasmadeandThe characteristic to be changed is still markedas suchTHENreset the characteristic so that it is no lon-ger identified for change.

En ella vemos que se esta manejando cono-cimiento de grado 1. Es por ello importan-te separarla de las restantes reglas referen-tes al problema de configuracion presentadoa XCON.

Tipo de problema : Esto es una descomposicionfuncional orientada a dominio. Una base deconocimientos para la realizacion de una fun-cion determinada solo es preciso activarlacuando se requiera la utilizacion de dicha fun-cion. Un ejemplo es una base de conocimien-to para identificacion del estado funcional delproceso —valoracion de la situacion.

Mediante descomposicion la base de conoci-mientos queda dividida en un conjunto de basesde conocimiento, entre las que posiblemente exis-tiran solapes, tanto en dominio como en nivel deabstraccion. La existencia de estos solapes indicaque el problema o sistema a manejar es unico. Siexiste una base de conocimiento que no se sola-pa con ninguna otra quiere decir que el dominio yel nivel de abstraccion son diferentes de los de lasdemas bases de conocimientos, esto es, maneja unproblema completamente diferente.

Denominaremos base de conocimientos activa alconjunto de bases de conocimiento que se van aaplicar en una pasada particular del motor de in-ferencia.

La descomposicion del sistema de control ofre-ce multiples ventajas :

La disminucion de la base de conocimientosactiva

La desaparicion de las clausulas de estado enlas premisas de las reglas.

La posibilidad de realizar desarrollos inde-pendientes.

La descomposicion de la base de conocimien-to puede realizarse de formas multiples, condu-ciendo a todo un rango de posibilidades. Desde lasdescomposiciones gruesas —pocas bases con muchasreglas— a las descomposiciones finas —muchas ba-ses con pocas reglas— existen multiples descom-posiciones viables. Las descomposiciones finas ga-rantizan la mejor adecuacion de la base al proble-ma, minimizando el numero total de reglas. Lasdescomposiciones gruesas, por contra, minimizanel numero de bases y con ello los retardos deriva-dos de la planificacion.

Descomposicion homogenea

Diremos que la descomposicion de la base deconocimientos es homogenea cuando todas las ba-ses de conocimiento son del mismo tipo, esto esimplantan conocimientos utilizando un determi-nado paradigma de ingenierıa del conocimiento.De este modo tendremos una serie de bases deconocimiento aplicables a nuestro dominio quenos permiten realizar diferentes tipos de analisisy grados de profundizacion en la resolucion delproblema.

Diremos que dos bases de conocimiento se so-lapan en dominio cuando existe un subdominiodel problema para el que hay conocimiento expre-sado en cada una de ellas.

La descomposicion se dira progresiva cuan-do existen bases de conocimiento que manejanconocimiento con distintos niveles de abstraccion.Un sistema con descomposicion progresiva tie-ne una serie de pares de bases de conocimientoPi = (Bj ,Bk) (i=i,n); la aplicacion de la base de cono-cimiento Bj dara un resultado Rj , la aplicacion dela base de conocimiento Bk dara un resultado Rk,que sera mas profundo —menos abstracto— queRj .

Las bases de conocimiento se reparten seguntres ejes: funcion, dominio y abstraccion.

La explicacion anterior es quiza un poco caoti-ca. Trataremos de aclararla con un ejemplo. Un sis-tema con metaniveles es un sistema con descom-posicion progresiva y con solape de bases de cono-cimiento de distintos niveles de abstraccion. En unsistema con metaniveles se tiene una base de cono-

76


cimiento de alto nivel, que es la encargada de se-leccionar bases de conocimiento del nivel inferior.Estas bases de conocimiento de nivel inferior tie-nen su aplicabilidad en dominios restringidos delproblema. La descomposicion se realiza para mi-nimizar el numero de reglas a utilizar en cada in-ferencia. La seleccion de las bases de conocimientode bajo nivel se realiza en base a un analisis de loshechos en un alto nivel de abstraccion. La base deconocimiento de alto nivel se solapa pues en domi-nio con las bases de bajo nivel, ya que el dominioal que se aplica la base de conocimiento de bajonivel es un subdominio del dominio total.

Descomposicion heterogenea

Diremos que la descomposicion de la base deconocimientos es heterogenea cuando las bases deconocimiento son de tipos diferentes. Los paradig-mas principales que se pueden emplear en la cons-truccion de estas bases son a) reglas, b) reglas bo-rrosas y c) modelos.

5.5.2. Planificacion de bases de conoci-miento

La planificacion de las bases se debe realizan enbase a conocimiento de metacontrol. Este metaco-nocimiento es de dos tipos:

De relacion entre bases : Metaconocimiento deplanificacion.

De relacion entre bases y dominio : Metaconoci-miento de adecuacion.

La seleccion de las bases debe realizarse deacuerdo con los siguientes objetivos:

Minimizacion del tiempo total de inferencia,que se traduce en:·Minimizacion del numero de bases.·Seleccion de las bases de tiempo mınimo.

Optimizacion de los resultados a traves de:·Profundizacion maxima.·Adecuacion al problema, que es, con mucho,mas difıcil.

La expresion del metaconocimiento de plani-ficacion se puede realizar mediante reglas, enfo-que seguido en sistemas con metaniveles actuales,o bien mediante procedimientos algorıtmicos con-vencionales. Los metodos de planificacion puedenser por lo tanto de dos tipos:

Algorıtmicos : basados en criterios deterministasy con tecnicas clasicas de planificacion.

Mediante reglas : sera una serie de bases de cono-cimiento de grados superiores al 0, las querealizaran la planificacion de las restantes ba-ses. Este es el enfoque empleado en arquitec-turas con metanivel. El nivel superior —degrado 1— se encarga de realizar la planifica-cion, que por ser de una sola etapa es simple-mente una seleccion de la base de conocimien-to adecuada al problema.

El planificador genera un plan de razonamien-to que indica, por etapas, las bases de conocimien-to a aplicar en cada una de ellas. La especificaciondel plan de utilizacion de las bases de conocimien-to puede realizarse de dos formas: con y sin fusionde bases. Cuanso se hace sin fusion de bases, encada etapa se activan una serie de bases de cono-cimiento determinadas. Si se realiza con fusion debases, en cada etapa se indican las bases de conoci-miento a activar y las bases de conocimiento a des-activar. Cuando las que se desactivan son todas setiene el enfoque sin fusion de bases.

5.5.3. Criterios de seleccion de bases

Los criterios de seleccion de bases y de genera-cion del plan de activacion de las mismas son va-riados, refiriendose tanto a la minimizacion tem-poral como a la adecuacion al problema. Estos cri-terios son de grados superiores al 0 estando aso-ciados a aspectos como son:

Adecuacion : Las bases se seleccionaran en fun-cion de su adecuacion al problema a resolver.Deben ser bases cuyo dominio comprenda eldominio del problema planteado. Es un crite-rio unitario.

77


Base de conocimiento




solapes

Selección

Resolución

Dominio

Abst

racc

ión

Figura 5.8: Ejemplo de sistema de control basado en el conocimiento con un metanivelde seleccion.

Minimizacion temporal : Los factores tempora-les son tambien criterios unitarios e indicanel retardo estimado debido al uso de la basede conocimiento. Este factor se modificara enfuncion de las ejecuciones del sistema y lostiempos conseguidos.

Adaptacion : La adaptacion de dos bases de cono-cimiento A y B en niveles de abstraccion dife-rentes se mediran mediante factores de adap-tacion Af (A,B). Estos factores de adaptacionde las bases se corregiran en funcion del tiem-po de inferencia cuando se han aplicado am-bas bases.

Dependencia : Diremos que una base es depen-diente de otra menos abstracta cuando se re-quiera haber aplicado esta para poder utili-zarla. La dependencia es un criterio fuerte dela planificacion de bases.

5.5.4. Razonamiento progresivo

Diremos que un razonamiento es progresivocuando las conclusiones se obtienen por aplicacionsucesiva de bases de conocimiento hasta que se so-licita la conclusion. No se conoce, pues, a priori elhorizonte temporal de la inferencia.

El planificador organiza la aplicacion de las ba-ses de forma que en cada momento se este uti-

lizando una serie de bases de conocimiento queconduzcan a la conclusion. Este planificador pue-de ser de dos tipos:

Generador de plan completo . Una vez plan-teado el problema al planificador, este gene-rara un plan completo de aplicacion de ba-ses de conocimiento. Este plan consta de unaserie de etapas, en las que en cada momen-to esta disponible la solucion obtenida porla ultima etapa aplicada. En cada etapa seaplicaran unas determinadas bases de cono-cimiento.

Generador por etapas . El planificador, dada la si-tuacion actual selecciona el conjunto de basesde conocimiento a aplicar para obtener la si-guiente conclusion.

En estos sistemas la dicotomıa velocidad-calidad se resuelve en base a las caracterısticas delproblema. Si el sistema puede requerir solucionescon gran variabilidad temporal es mas interesan-te la descomposicion y la planificacion fina. Si lavariabilidad es menor es posible utilizar descom-posiciones y planificaciones gruesas.

78


5.5.5. Razonamiento conclusivo

Diremos que un razonamiento es conclusivocuando se conoce a priori el horizonte temporal dela inferencia.

En este caso el planificador debe generar unplan que maximize la calidad de la solucion dentrode este tiempo admisible de inferencia.

5.6. Valoracion de la Metodo-logıa

Se han analizado las caracterısticas de los sis-temas de control basados en reglas desde el puntode vista de su aplicabilidad a problemas de controlcon requisitos de operacion en tiempo real debilesy fuertes.

Se ha presentado una metodologıa de desarro-llo de arquitecturas para este tipo de sistemas quepermite mejorar las prestaciones de los mismos.Esta arquitectura se basa en:

Descomposicion de la base de conocimien-tos, construyendo una base de conocimientosmultiple.

La separacion del conocimiento del dominioy el conocimiento de control.

La utilizacion de mecanismos de planificacionde bases de conocimiento basado en el cono-cimiento de control.

Esta arquitectura permite:

La implantacion de sistemas con razonamien-to conclusivo y progresivo.

Un aumento en la verificabilidad de los siste-mas.

Un aumento de la fiabilidad de los sistemas.

79

Capıtulo 6

Modelado Multirresolucional

. . . the best way to overcome these limitations,particularly the issues of temporal and spatialreasoning, truth maintenance, and the “cliff”

performance degradation effect, is to buildsymbolic models of the expert domain inside the

expert system

Lawrence E Widman and Kenneth A. LoparoArtificial Intelligence, Simulation and Modeling

. . . according to Zadeh, one of the most importantfacets of human thinking is the ability to

summarize information ’into labels of fuzzy setswhich bear an approximate relation to the

primary data’

Didier Dubois and Henri PradeFuzzy Sets and Systems, Theory and Applications

6.1. Introduction

En el capıtulo 3 se han comentado algunas ca-racterısticas de los modelos empleados en los sis-temas de razonamiento simbolico. La arquitecturaque se propone en esta tesis esta orientada al con-trol de procesos complejos descansando en granmedida sobre un modelo profundo del proceso acontrolar.

Hasta ahora el control de este tipo de procesosse afronta exclusivamente desde tres perspectivas:control manual, control con reguladores clasicossupervisados y control experto. El control manualgarantiza casi con seguridad un funcionamientoaceptable si la complejidad primaria no es excesi-va; pero, por sus especiales caracterısticas, su eli-minacion es un objetivo fundamental. Los otros

dos tipos de controles presentan por el contra-rio rangos de aplicabilidad muy limitados. El con-trol clasico se restringe casi por completo a proce-sos simples, mientras que el control experto pre-senta problemas de desarrollo —adquisicion delconocimiento— de funcionamiento —operacionen tiempo real— y de mantenimiento —falta defiabilidad. La alternativa por la que se opta prio-ritariamente en la actualidad es utilizar arquitec-turas basadas en control clasico con un bucle desupervision manual.

¿Por que este tipo de arquitectura logra resulta-dos que no logran las otras? El responder este in-terrogante es un factor importante en la resoluciondel problema. Esta arquitectura logra resultadosaceptables porque el control clasico le da operatividaden tiempo real, mientras que el bucle humano le pro-porciona mecanismos de resolucion de problemas parahacer frente a las situaciones anormales del control. Enbase a ello se intentan utilizar arquitecturas en queel bucle supervisor se implanta por medio de unsistema experto o en algunos casos un sistema ba-sado en conocimiento de otro tipo; pero estas solu-ciones no logran los resultados del control super-visor humano, porque los mecanismos de razona-miento sobre el proceso no son lo suficientemen-te profundos y completos; profundos en el sentidode poder determinar causas y efectos a lo largo detoda una jerarquıa de sistemas que componen elproceso y completos en el sentido de lo suficiente-mente extensos como para abarcar y poder razo-nar sobre todas las circunstancias que le acontecenal proceso y son relevantes para su control.

Los problemas fundamentales del uso de tecni-cas de inteligencia artificial en control son dos: laoperacion en tiempo real, que se solventa con el

80

Capıtulo 6. Modelado Multirresolucional

uso de sistemas jerarquicos y el razonamiento pro-fundo sobre el proceso. Este capıtulo trata de ha-cer frente a este segundo problema —del mismomodo que el anterior hacıa frente al primero— pormedio de un esquema de modelado multiresolu-cional de procesos complejos. Este esquema per-mitira modelar en profundidad pero sin dejar delado los aspectos mas abstractos de la informacionsobre un proceso. El esquema que se propone esanalogo al empleado para los modulos del sistemade control jerarquico: un esquema descompuestomultiresolucional.

En cierto sentido este es el capıtulo mas impor-tante de la tesis, ya que en el se presenta la tecnicade representacion de la informacion sobre el pro-ceso a controlar que se va a emplear en el siste-ma de control inteligente. La reutilizabilidad delsoftware de control inteligente depende en granmedida de la capacidad de construir modelos pro-fundos del proceso a controlar, ya que de esta for-ma se logra separar de forma clara el codigo ge-neral de la informacion especıfica de la aplicacion.El modelo del proceso que se presenta es un mo-delo multiresolucional capaz de suministrar infor-macion a todos los subsistemas del controlador in-teligente. En un primer nivel —modelo cuantitati-vo o numerico— incluira informacion en forma deecuaciones diferenciales ordinarias sobre aquelloselementos modelables de esta forma. Un segundonivel estara constituido por un modelo cualitati-vo, en el que se utilizaran ecuaciones diferencialescualitativas. Un tercer nivel contendra la informa-cion de mayor nivel de abstraccion, constituyendouna base de conocimiento clasica.

Mientras que los modelos basados en ecuacio-nes diferenciales y las tecnicas de representacionde conocimiento han sido objeto de gran cantidadde estudio, no sucede lo mismo con las tecnicasde modelado cualitativo. Es por ello que se haceespecial hincapie en dicha tecnica en este capıtu-lo. En particular se analizan en profundidad losmecanismos de abstraccion que permiten pasar deinformacion numerica a informacion cualitativa yse presenta un metodo de simulacion la simula-cion cualitativa borrosa orientado al manejo de laexplosion combinatoria asociada a la simulacioncualitativa.

6.2. Modelos de Sistemas Conti-nuos y Multirresolucionali-dad

El conocimiento disponible sobre un determi-nado objeto, en particular un proceso, no se situasiempre en el mismo nivel de abstraccion. Pode-mos conocer la temperatura en un determinadopunto con un nivel de resolucion de milesimas degrado y en otro saber simplemente que es alta. Lautilizacion simultanea de estos dos tipos de infor-macion es compleja e imposible en muchos siste-mas de proceso de informacion.

Los procesos complejos presentan caracterısti-cas de multiresolucionalidad en la informaciondisponible y utilizable en el control de los mis-mos, por lo general debido a la complejidad tercia-ria que se manifiesta en una incertidumbre en lasmedidas y en una incertidumbre en la interpreta-cion de las mismas. Por ello el integrar en nuestrosesquemas de representacion ambos tipos de infor-macion es fundamental. Ya Mesarovic [Mesarovic70] comenta esta necesidad de diferentes nivelesde abstraccion:

“Truly complex systems almost, by definition, eva-de complete and detailed descriptions. The dilemma isbasically one between the simplicity in description, oneof the prerequisites for understanding, and the need totake into account a complex systems’s numerous beha-vioral aspects. A resolution of this dilemma is soughtin a hierarchical description. One describes the systemby a family of models each concerned with the behaviorof the system as viewed from a diferent level of abstrac-tion. For each level, there is a set of relevant featuresand variables, laws and principles in terms of which thesystem behavior is described.”1

Para realizar un analisis mas profundo de este1“Los sistemas verdaderamente complejos practicamente

eluden, por definicion, cualquier tipo de descripcion completay detallada. El dilema se situa entre la simplicidad de la des-cripcion, uno de los prerequisitos para la comprension, y la ne-cesidad de tener en cuenta los numerosos aspectos del compor-tamiento de un sistema complejo. Una solucion a este dilema sevislumbra en una descripcion jerarquica. El sistema es descritopor medio de una familia de modelos referidos, cada uno deellos, al comportamiento del sistema en un determinado nivelde abstraccion. En cada nivel existen una serie de caracterısti-cas y variables, leyes y principios, en base a los cuales se des-cribe el comportamiento del sistema”.

81


aspecto de los sistemas complejos es preciso carac-terizar cuales son los elementos de modelado quevan a tener este tipo de caracterısticas.

6.2.1. Conceptos de modelado de siste-mas continuos

Los elementos fundamentales para el modela-do de sistemas continuos son dos: las variables ylas relaciones entre variables. Una variable es unafuncion del tiempo. En el caso de sistemas fısicoslas variables son funciones reales que pueden to-mar un conjunto continuo de valores salvo efectoscuanticos. Sin embargo los dispositivos de medidason de precision limitada, por lo que las variablespodrıan considerarse —desde el punto de vista deproceso de informacion— como funciones sobreun conjunto discreto.

La evolucion de un sistema fısico queda plena-mente caracterizada por la evolucion de un con-junto de variables de dicho sistema denominadasvariables de estado. Estas evoluciones estan regi-das por las relaciones entre dichas variables, queespecifican la manera en que las variables resultanmodificadas a lo largo del tiempo. Dicho en termi-nos matematicos las relaciones determinan los va-lores de las variables y de sus derivadas tempora-les. El esquema mas conocido de representacion derelaciones de un sistema son las ecuaciones dife-renciales. Un conjunto de ecuaciones diferencialessuponen una serie de restricciones para los valoresde las variables y de sus derivadas, que se debensatisfacer simultaneamente a lo largo de la vida delsistema fısico.

Una forma de modelar un sistema fısico es es-tablecer un conjunto de variables del sistema yun conjunto de ecuaciones diferenciales que rijanel comportamiento temporal de este. Este tipo demodelo es lo que en el capıtulo 3 denominabamosun modelo matematico. Sin embargo no todos lossistemas fısicos admiten el establecimiento en es-tos terminos de un modelo aceptable. Por lo gene-ral esto es debido a la existencia de incertidumbre,bien en las variables, bien en las relaciones.

La incertidumbre en las variables puede deber-se a que seamos incapaces de determinar cualesson las variables del sistema o bien en que seamos

incapaces de determinar los valores que toman. Enel proceso de modelado de todo sistema fısico apa-recen este tipo de problemas de incertidumbre, yla manera de hacerles frente es el establecimien-to de umbrales de significancia. En todo sistemafısico las variables que intervienen son infinitas2,por lo que para modelar es preciso seleccionar elconjunto de variables relevante para el tipo de re-sultados que esperamos obtener de nuestro mode-lo. Del mismo modo es preciso establecer el con-junto de valores que pueden tomar las variables,a estos conjuntos los denominaremos espacios decantidades, por motivos que se veran a posteriori.Las matematicas son bastante buenas para mane-jar espacios de cantidades densos por ejemplo losnumeros reales: R sin embargo no son tan buenasen manejar infinitas variables o relaciones. Por ellola tecnica habitual de modelado de sistemas con-tinuos es seleccionar un numero finito —y preferi-blemente pequeno— de variables, establecer comoespacio de cantidades R y expresar las relacionespor medio de ecuaciones diferenciales.

Sin embargo existen casos en que esto no es po-sible, porque no existe el conocimiento suficientecomo para formalizar las relaciones. Ademas enmuchos casos la continuidad de valores no es ne-cesaria y puede ser un engorro. Los modelos men-tales —utilizados por las personas— no se cons-truyen en base a relaciones matematicas, sino quese expresan mediante algo que podrıamos deno-minar influencias. Este tipo de relacion es similar ala que se emplea en la fısica cualitativa [Hayes 85a]y que ha derivado en una serie de desarrollos im-portantes en el campo de la simulacion cualitativade sistemas.

6.3. Modelado Multirresolucio-nal

La potencialidad del ser humano su inteligen-cia se debe en gran medida en su capacidad de ha-cer frente a los problemas de formas diferentes. Elutilizar otro enfoque es a menudo la clave para resol-ver un problema. Por contra las maquinas progra-madas para resolver un problema lo hacen siem-

2Suponiendo que el universo sea infinito en algun sentido,ya que los sistemas cerrados no existen en la realidad.

82


pre de la misma forma. Si el problema no respon-de con exactitud al tipo de problema para el que sediseno la maquina, esta produce malos resultados.Este es el caso habitual con los sistemas software.Cada programa esta preparado para resolver de-terminados tipos de problemas y no otros.

La inteligencia que en ocasiones se aprecia enalgunas aplicaciones de la inteligencia artificial esachacable a la flexibilidad en el planteamiento delos problemas que dichas aplicaciones resuelven.Evidentemente el planteamiento de un problemade diagnostico a un sistema experto es —en cier-ta medida— mas flexible que un problema plan-teado a un programa de nominas. Esta diferenciase aprecia directamente en la diferente considera-cion de ambos procesos: el sistema experto resuelveun problema, mientras que el programa de nominasrealiza un proceso mecanico.

Esta impresion de inteligencia, tanto en el hu-mano como en la maquina, procede de la flexibi-lidad con que admite el planteamiento del pro-blema; pero esta capacidad de admitir diferentesplanteamientos esta fundamentada en la capaci-dad interna de manejar modelos flexibles del mun-do, modelos capaces de plantearse un problemadesde diferentes puntos de vista y no exclusiva-mente desde uno como era el caso del programade nominas.

Esta flexibilidad se ve radicalmente incremen-tada cuando el sistema inteligente es capaz de ma-nejar modelos multiresolucionales. Diremos queun sistema inteligente dispone de un modelo mul-tiresolucional cuando puede tener representacio-nes de un problema en diferentes niveles de abs-traccion. En el caso de razonamiento sobre sis-temas fısicos, la multiresolucionalidad es funda-mental.

6.3.1. Necesidad de la multiresolucio-nalidad

Ante los anteriores comentarios sobre el mode-lado multiresolucional surge claramente una pre-gunta:

¿Por que?

Debemos aclarar cuales son los motivos quenos llevan a plantear la necesidad de este tipo demodelo. El modelo es necesario para realizar pre-dicciones de comportamiento del sistema, predic-ciones que nos permitan determinar si la respues-ta del mismo sera adecuada frente a una accionde control. El tipo de procesos que tratamos demanejar presentan grandes dificultades de mode-lado, por lo que el modelado basado en ecuacio-nes diferenciales ordinarias modelo N puede pre-sentar desviaciones importantes respecto al com-portamiento real del sistema. Estas desviacionesse deben por lo general a la dificultad de estimarparametros del proceso por los excesivos ruidos ovariabilidad del mismo. El modelo cualitativo tra-ta de solventar en parte este problema, realizandosimultaneamente una funcion triple:

Puede predecir todos los comportamientosposibles, lo que nos permite determinar si al-guno de ellos es problematico. En este sentidose puede aplicar antes o despues del modelonumerico, para validar a posteriori la predic-cion de este o para hacerla innecesaria si laspredicciones cualitativas son todas aceptablesa priori.

Sirve como base de informacion para la comu-nicacion con el usuario, ya que los valores ma-nejados en el mismo tienen un fundamentolinguıstico.

Sirve como base de hechos para realizar ra-zonamientos basados en reglas de forma masclara que los valores numericos.

La necesidad del modelo basado en tecnicas derepresentacion del conocimiento surge de los dosultimos puntos comentados para el modelo cuali-tativo. Aunque este modelo puede llegar a tenercapacidad predictiva su utilizacion en este senti-do parece innecesaria. Sin embargo su funcion debase de hechos es fundamental, ya que permite eli-minar del proceso de inferencia etapas de abstrac-cion para llegar a una serie de conceptos de altonivel empleados en el control del proceso.

La utilizacion de modelos multiresolucionalesen control debe contemplarse desde la perspectivade las dos etapas fundamentales del control inte-ligente (ver Figura ??): valoracion de la situacion

83


y determinacion de la actuacion. El formular unmetodo de determinacion de la actuacion suponeel establecer las acciones a realizar para cada si-tuacion de proceso, por ello la etapa de valoracionde la situacion genera una descripcion del estadodel proceso. Esta descripcion del estado del pro-ceso se da por necesidad en un determinado nivelde abstraccion. El modelo que se presenta en es-ta tesis permite implantar la etapa de valoracionde la situacion por medio de modelos de alto ni-vel de abstraccion y funciones de abstraccion quepermitiran pasar de los datos numericos a la for-mulacion abstracta sobre el estado del sistema.

6.3.2. Objetivos del modelo

Los objetivos del modelo responden en granmedida a los puntos mencionados en el apartadosobre su necesidad. Resumiendo estos puntos po-demos hablar de las tres funciones principales delmodelo:

Funcion informativa, proveyendo a todos lossistemas que lo precisen de la informacionque deseen sobre el estado del proceso en elnivel de abstraccion adecuado.

Funcion predictiva, suministrando informa-cion sobre el comportamiento o comporta-mientos posibles del proceso frente a accionesde control.

Funcion linguıstica, sirviendo de base de vo-cabulario para la comunicacion con el usua-rio.

El satisfacer estos tres objetivos es una tarea ar-dua, sobre todo en lo referente a la funcion predic-tiva.

6.3.3. Estructura del modelo

Como ya se ha comentado anteriormente, en laarquitectura de control que se desarrolla en estatesis, se propone el uso de un modelo con tres ni-veles de resolucion. Este modelo multiresolucionalcomprende tres capas de modelado de diferentescaracterısticas. Estas capas de modelado son las si-guientes:

Modelo numerico, al que nos referiremos en loque sigue como modelo N.

Modelo cualitativo, en adelante modelo Q.

Modelo basado en tecnicas de representacion delconocimiento, en adelante modelo K.

QK KQ

NQ QN

Abstracción

Concrección

Modelo K

Modelo Q

Modelo N

Figura 6.1: Estructura y transformaciones en el modelomultiresolucional NQK.

Estos tres niveles de modelado no son inde-pendientes, sino que estan estrechamente acopla-dos. El enlace entre estos tres modelos se estableceen base a funciones de abstraccion y funciones deconcrecion (ver Figura 6.3.3). Estas funciones nospermiten establecer valores de variables en un de-terminado nivel a partir de valores de variablesen otros niveles. Las funciones de abstraccion per-mitiran pasar de un modelo al inmediatamentesuperior; las de concrecion permitiran realizar laoperacion inversa.

Los modelos N y K responden a paradigmasinformaticos plenamente establecidos simulacione ingenierıa del conocimiento por lo que en lapresentacion que se haga de los mismos no sehara un estudio en profundidad. Sin embargo, el

84


uso de modelos cualitativos en aplicaciones indus-triales es bastante nuevo, existiendo un numero li-mitado de desarrollos [Zhang 90a] [Charbonnaud90] [Guerrin 90] orientados fundamentalmente aldiagnostico. El uso de modelos multiresoluciona-les esta ganado una aceptacion progresiva, exis-tiendo tambien algun desarrollo de caracter indus-trial [Juuso 90].

Los modelos N y Q estan estrechamente rela-cionados, ya que la composicion del modelo Q esparte de la del modelo N. Existe un isomorfismoentre parte del modelo N y el modelo Q. El mode-lo K sin embargo es en gran parte independientede la estructura de los otros dos, ya que en el serepresenta conocimiento humano, siendo pues unmodelo subjetivo, mientras que los modelos N y Qpueden calificarse en cierta medida de objetivos.

6.4. Modelo N

El modelo N es un modelo cuantitativo del pro-ceso a controlar. Este modelo se realiza utilizandotecnicas clasicas de simulacion de sistemas conti-nuos.

6.4.1. Tecnicas basicas

Las tecnicas a emplear en la construccion de unmodelo basado en ecuaciones diferenciales estanperfectamente establecidas, siendo perfectamentefactible el conseguir paquetes software comercia-les para ello, como pueden ser CSMP, ACSL, SIM-NON, etc.

El desarrollo de un esquema o lenguaje de re-presentacion de sistemas continuos no es un obje-tivo de esta tesis, ya que tanto la bibliografıa comolas implantaciones de sistemas de este tipo sonmas que abundantes [Fernandez 77].

6.4.2. Funciones del modelo

La funcion de este modelo es dual:

Por una parte informativa, ya que es la ba-se de datos sobre el estado del proceso y la

evolucion del mismo. Como veremos en elcapıtulo 7 esta informacion es utilizada pararealizar el control del proceso en varios de losniveles de control.

Por otra predictiva, ya que debe generar pre-dicciones de comportamiento del proceso. Es-tas predicciones seran predicciones numeri-cas, en forma de evolucion temporal de las va-riables del proceso. Cada prediccion de com-portamiento se da pues como funcion tempo-ral del espacio de variables del proceso en Rn.

La funcion predictiva del modelo N es muchomas importante que la funcion informativa, dadoque la informacion sobre el estado N es suminis-trable por otros elementos de la arquitectura, comose vera en el capıtulo 7.

A primera vista el modelo N entra en francacontradiccion con los planteamientos iniciales deesta tesis: control de procesos complejos, con dificul-tades de modelado. Obviamente cuando un procesotiene complejidad terciaria el desarrollo de un mo-delo veraz del mismo es practicamente imposible,pero si el proceso tiene solo complejidades prima-ria y secundaria el desarrollo del modelo es posi-ble. En este tipo de procesos el desarrollo de sis-temas de control convencionales es problematico,por lo que la arquitectura propuesta en esta tesispuede dar resultados adecuados.

6.4.3. Implantacion

La implantacion de este modelo se reali-zara por medio de tecnicas convencionales desimulacion de sistemas continuos. Para su inte-gracion en la arquitectura de control inteligentesera preciso sin embargo unas ciertas capacidadessoftware del sistema empleado en el desarrollo deeste modelo.

En el capıtulo 9, dentro del apartado de desa-rrollos futuros se comentara la necesidad de desa-rrollar herramientas de simulacion convencionalintegradas en entornos de control inteligente.

85


6.5. Modelo Q

El modelo cualitativo de l proceso permitira re-presentar informacion disponible sobre el procesoen unos terminos cercanos al modo en que los hu-manos representan el conocimiento sobre los siste-mas fısicos. Este tipo de conocimiento representalos aspectos cualitativos del comportamiento delsistema bajo estudio, no siendo formalizable conlas tecnicas empleadas en simulacion convencio-nal.

Evidentemente un modelo convencional —ecuaciones diferenciales— es mucho mas precisoque cualquier otro tipo de modelo que podamosformular. Sin embargo, cuando el conocimientosobre el proceso esta afectado de incertidumbre ocuando se desean realizar otras tareas aparte de lasimple prediccion de comportamiento, es precisohacer uso de otras tecnicas mas cercanas a las re-presentaciones de conocimiento empleadas en in-teligencia artificial.

De este modo el modelado cualitativo es unaherramienta de formalizacion de conocimiento so-bre sistemas fısicos, en una forma cercana a la re-presentacion matematica del comportamiento delmismo, pero con la flexibilidad suficiente comopara no atarse a una representacion puramentenumerica y permitir formulaciones tambien cerca-nas al modo de razonar humano. Este es el senti-do de los trabajos desarrollados en el area de ra-zonamiento cualitativo, inicialmente propuesta porHayes en su “Naive Physics Manifesto” y que enla actualidad esta alcanzando una gran difusion,fundamentalmente en el campo de razonamientopara diagnosis.


Las funciones que realiza el modelo cualitativoson todas las mencionadas en 6.3.2, esto es:

Informativa: suministra informacion sobre elestado cualitativo ası como sobre las depen-dencias funcionales cualitativas entre las dis-tintas variables del proceso. La importanciade los valores cualitativos es que permitensu utilizacion inmediata en procesos de infe-

rencia, mientras que la informacion estructu-ral/funcional sera empleada en razonamientobasado en modelos.

Predictiva: los modelos cualitativos tienen ca-pacidad predictiva, esto es, es posible realizarsimulaciones con ellos. Sin embargo estas si-mulaciones tienen una caracterıstica especial:bifurcaciones. La prediccion sobre el compor-tamiento del proceso no es unica, sino queesta formada por un arbol de estados cualita-tivos. Los posibles comportamientos del pro-ceso son los posibles caminos desde el estadoinicial hasta los estados terminales.

Linguıstica: los terminos empleados en el mo-delo cualitativo son terminos linguısticos queson empleados de forma directa en la comu-nicacion con el operador; de este modo existeuna estrecha relacion entre la representacioninterna del estado del proceso y la representa-cion externa del mismo.

El modelo cualitativo es una representacionorientada al proceso y cercana a los modos humanos derepresentar el conocimiento sobre el mismo.

6.5.2. Tecnicas basicas

Las tecnicas basicas que se emplean en la cons-truccion del modelo Q y su enlace con el modeloN son:

Modelado cualitativo: caracterizado fundamen-talmente por la limitacion de dependenciasfuncionales a funciones monotonas crecientesy decrecientes y por especificar espacios decantidades finitos y de cardinalidad reducida[Barreto 90] [Bratko 88] [Clancey 89] [Grant89] [Shrager 87].

Simulacion cualitativa: basada en el algoritmoQSIM de Kuipers [Kuipers 86], aunque conmatizaciones de otros metodos [Forbus 84][de Kleer 84a] [Leyval 90].

Extensiones de QSIM: desarrolladas por diferen-tes autores y orientadas a aumentar la aplica-bilidad de la simulacion cualitativa. De des-

86


tacar son la contribucion de D’Ambrosio3

[D’Ambrosio 89a] y la de Dalle Molle [DalleMolle 89], aunque existen otras [Bridgeland90] [Franke 90] [Widman 89b].

Conjuntos borrosos: empleados en la definicionde las funciones de abstraccion ası como enla construccion de los estados cualitativos bo-rrosos y en una extension del algoritmo QSIM[Zadeh 77] [Kandel 86] [Dubois 80].

6.5.3. Simulacion cualitativa

La simulacion cualitativa basada en el algorit-mo QSIM [Kuipers 86] es un metodo de simula-cion por propagacion de restricciones en conjun-tos de variables. Estas restricciones son derivadasde un conjunto de ecuaciones diferenciales ordina-rias —como las empleadas en el modelo N— sien-do identicas en su mayor parte salvo en la relaja-cion de dependencias funcionales.

En el capıtulo 3 se presento un pequeno ejem-plo de una simulacion cualitativa mediante QSIMde un objeto en caıda libre. En este ejemplo se pue-de apreciar la forma que adquiere una prediccioncualitativa de comportamiento.

La simulacion cualitativa se caracteriza por al-gunos aspectos fundamentales:

Los valores que pueden tomar las variablesconstituyen conjuntos finitos y pequenos de-nominados espacios de cantidades [Hayes 85a],que en algunos casos se limitan a conjuntosde tres valores : − , 0 y + [de Kleer 84a]. Es-tos espacios de cantidades tiene estructura deretıculo, aunque en el caso particular de QSIMla relacion de orden en el conjunto es un ordentotal.

Las restricciones empleadas son aritmeticas(suma, negacion, producto) funcionales (de-pendencia monotona creciente y decreciente)y derivativas (derivada) (ver Tabla 6.5.4).

Las predicciones de comportamiento sonmultiples. Una simulacion no genera una tra-yectoria del sistema, sino que genera un arbol

3Aunque desarrollada sobre la teorıa cualitativa de procesosformulada por Forbus [Forbus 84].

de comportamientos en el cual cada caminodesde el estado inicial hasta un estado final esun posible comportamiento del sistema (verFigura 6.5.4). En algunos casos QSIM predicecomportamientos imposibles para el sistemareal, pero en ningun caso deja de predecir loscomportamientos posibles.

Los modelos cualitativos son validos en zonasespecıficas de valores de las variables que sedenominan regiones de operacion. La necesidadde manejar juegos de restricciones adecuadosa cada una de las regiones de operacion vieneoriginado por la debilidad de las restriccionesfuncionales M+ y M−.

Como dice Dalle Molle [Dalle Molle 89] losprimeros desarrollos basados en QSIM fueron de-sarrollos de modelos y simulaciones de sistemassimples, sin utilizar en ningun caso sistemas realesde cierta complejidad. Dicho autor es el primeroen construir este tipo de modelos y en desarrollarextensiones a QSIM para hacer frente a los proble-mas que presenta este metodo de simulacion.

Los problemas principales de QSIM para simu-lar procesos complejos se derivan de la explosioncombinatoria de comportamientos que llega a pro-ducir una ramificacion inabordable. Una gran par-te de dichos comportamientos son predicciones es-purias que son imposibles para el sistema real.Gran parte de las extensiones a QSIM tratan de eli-minar estos comportamientos espurios.

Las variables empleadas en los modelos cuali-tativos toman valores en conjuntos denominadosespacios de cantidades. Algunos autores utilizanespacios de cantidades muy reducidos, como es elcaso de [de Kleer 84a] en que se emplea el espaciode cantidades:

Q = {−, 0,+}

Con estos valores lo unico que se conoce de unavariable es si esta es negativa, nula o positiva. Kui-pers utiliza espacios de cantidades mas complejosy que pueden ser diferentes para cada una de lasvariables. Estos espacios de cantidades estan com-puestos por puntos de la recta real —hitos— y porintervalos entre ellos. Ası un espacio de cantidadesasociado a una temperatura puede ser:

QTemp = {−, 0, (0, 3100), 3100, (3100,−)}

87


Los valores que componen el espacio de canti-dades pueden recibir nombres especıficos, con loque podemos decir que las variables toman valoreslinguısticos. Ası un espacio de cantidades como elanterior puede traducirse en:

QTemp = {NEGATIV A, CERO,NORMAL,CRITICA,EXCESIV A}

con lo que la expresion Temp = 3100 es tradu-cible en La TEMPERATURA es CRITICA.

6.5.4. Extensiones a la representacion

Los espacios de cantidades como el anteriorpresentan algunas limitaciones para ser integra-dos en el modelo multiresolucional. El paso devalores de variables de un modelo a valores enlos terminos utilizados por un modelo superior —tarea llevada a cabo por las funciones de abstrac-cion— es, en cierta medida, un proceso de inter-pretacion de mediciones. Por ello es preciso queesta interpretacion se haga de forma adecuada, te-niendo en cuenta las incertidumbre inherentes alproceso de medicion ası como en lo referente alconocimiento teorico sobre el sistema medido.

Este problema es de especial importancia paralas funciones NQ. En particular la posibilidad deutilizar hitos puntuales en dichas funciones es re-mota, ya que en muchos casos el conocimiento quese tiene del proceso no es suficiente como para es-tablecer estos valores teoricos con tal precision, nipara afirmar la exactitud de las medidas y la igual-dad de las mismas con dichos valores teoricos.

Cuando asignamos a una variable de procesoun valor cualitativo estamos haciendo una abstrac-cion de su valor. Esto es inmediato en casos en queel valor de la variable no es cercano a ninguno delos hitos. Sin embargo cuando sucede esto, el afir-mar que el valor de una variable es CRITICA con-lleva sus riesgos, ya que en muchos casos los va-lores exactos de los hitos son desconocidos4 y losvalores de las variables no se miden con absolutaprecision. El afirmar que una variable de un procesoreal tiene un determinado valor es una afirmacionque inevitablemente es incierta.

4Salvo casos especiales como por ejemplo la temperatura deebullicion del agua pura a una atmosfera de presion que tiene unvalor exacto de 100.0 ◦C.

La correspondencia entre el modelo N y el mo-delo Q debe realizarse en base a representacio-nes mas adecuadas que los espacios de cantidadespropuestos por Kuipers. La representacion desa-rrollada en esta tesis se basa en el uso de conjun-tos borrosos para representar los diferentes termi-nos linguısticos o elementos del espacio de canti-dades. En la Figura 6.5.5 se presenta un esquemaque aclara este concepto.

En ella los terminos a emplear en la represen-tacion cualitativa aparecen asociados a los hitose intervalos en el sentido de Kuipers. Sin embar-go cada uno de estos elementos tiene asociada unfuncion de pertenencia que se empleara en el enla-ce con la representacion puramente numerica. Deesta forma las separaciones entre terminos cualita-tivos no son nıtidas sino que se definen en basea funciones en [0, 1] que presentan un cierto so-lape. Las funciones de pertenencia son funcionesµ : R → [0, 1], mientras que para Kuipers es-tas funciones se definen sobre {0, 1}. Esto permi-te cierta flexibilidad con las aserciones de valoresde las variables, ya que no establecen correspon-dencias rıgidas con los valores numericos de lasmismas.

El valor cualitativo de una variable —valor Q—se hace determinando el termino cualitativo cuyafuncion de pertenencia da un valor maximo. En es-te sentido esta representacion cualitativa es identi-ca a la basada en intervalos nıtidos. Sin embargoen este modelo las variables admiten otro tipo devalor que denominaremos valor cualitativo borrosoo valor FQ. Este valor es un conjunto borroso so-bre el retıculo de valores cualitativos nıtidos5. Losfactores de este conjunto borroso sobre el retıculovienen dados por las funciones asociadas a cadauno de los terminos borrosos. Ası por ejemplo enuna determinada situacion diremos que la varia-ble TEMPERATURA tiene los siguientes valores:

N: 3000

Q: NORMAL

FQ: NORMAL/0.8, CRITICA/0.2

5En la literatura anglosajona este tipo de conjunto es deno-minado L-Fuzzy set, esto es, conjunto borroso sobre un retıculo—lattice.

88


RESTRICIONES CUALITATIVAS

Restricción Equivalencia Debilidad Tipo

SUMA(f,g,h) f + g = h Igual Aritmética

MULT(f,g,h) f ⋅ g = h Igual Aritmética

MENOS(f,g) f = -g Igual Aritmética

M+(f,g) g = H(f), H m.c. Mayor Funcional

M-(f,g) g = H(f), H m.d. Mayor Funcional

DERIV(f,g) df/dt = g Igual Derivativa

m.c.: monótona creciente, m.d.: monótona decreciente

Tabla 6.1: Restricciones cualitativas.

E.3.3E.3.2E.3.1

E.2.3E.2.2E.2.1

E.1.3E.1.2E.1.1

E.0Estadoinicial

EstadosIntermedios

EstadosFinales E.3.4 E.3.5

E.2.4

T0

T1

T2

T3

Figura 6.2: Ejemplo de arbol de comportamientos en simulacion cualitativa.

89


Este tipo de valores FQ se emplearan en la ex-tension al algoritmo de simulacion propuesta enesta tesis y denominada simulacion cualitativa bo-rrosa.

6.5.5. Funciones NQ y QN

Las funciones que nos permiten pasar de losvalores numericos a los valores cualitativos sonfunciones de abstraccion, ya que pasan de un de-terminado espacio de cantidades a un espacio decantidades en un nivel de abstraccion superior.Estas funciones de abstraccion —funciones NQ—son las funciones asociadas a los terminos cualita-tivos de la representacion cualitativa.

El valor cualitativo de una variable es aquel cu-ya funcion de pertenencia asociada da un valormaximo, esto es, es el conjunto borroso de los quecomponen el espacio de cantidades cualitativo quepresenta un grado de pertenencia mayor:

VQ(Y ) = T ∗, T ∗ ∈ QY :µT∗(y) = max µT (y) ∀T ∈ QY

El paso de valores en sentido contrario —funciones de concrecion— no presenta demasiadointeres en este tipo de sistema salvo para dos apli-caciones:

Utilizacion en el modulo de control borroso.El metodo habitual en este caso es utilizarel metodo del centroide para calcular valoresnıtidos a partir de los valores borrosos. En es-te caso el paso de valores Q a N es inmediato:el centro de la funcion de pertenencia. En casode valores FQ aparecen dos tipos de situacio-nes:

Situaciones con multiplicidad igual a uno, enlas que todos los factores son nulos salvo uno.En este caso, dependiendo de la funcion aso-ciada al termino con factor no nulo sera posi-ble determinar un valor N unico, doble o conun intervalo. En caso de que sea doble o inter-valo se seleccionara el punto medio.

Situaciones con multiplicidad mayor de uno.En este caso es posible determinar un valor Nunico.

Utilizacion para establecer valores N de va-riables —p.e. variables de actuacion— a par-tir de valores Q especificados por el usuario opor sistemas de razonamiento.

6.5.6. Extensiones a la simulacion

La simulacion cualitativa se ha mostrado comouna tecnica potente y versatil aunque tiene gravesproblemas que limitan su aplicabilidad a la simu-lacion de sistemas complejos:

Por una parte la explosion combinatoria aso-ciada a este tipo de simulacion. Este es, conmucho, el problema mas grave, y en el que seha puesto un mayor esfuerzo en su solucion.

Por otra parte los problemas de indecidibili-dad derivados de las influencias multiples.

La construccion de los modelos, que llega aser muy complicada. Ademas un modelo malconstruıdo puede dar lugar a predicciones decomportamiento espurias.

La solucion de este tipo de problemas pasa atraves del desarrollo de tecnicas avanzadas de si-mulacion cualitativa. Algunas de estas tecnicas yafueron introducidas en los desarrollos originalesde Kuipers, como es el reconocimiento de estadosiguales y la deteccion de bucles de comportamien-to. En la Figura 6.5.7 se presenta el resultado dedetectar que los estados E.2.2 y E.2.4 de la Figura6.2 son iguales.

Del mismo modo, en la Figura 6.5.7 se presentael resultado de detectar un estado identico a otroestado anterior. En este caso se produce un com-portamiento periodico, en virtud de la situacion deambos estados en un mismo comportamiento. Enambas figuras se ha realizado una reubicacion delos estados para simplificar las mismas.

Este tipo de mejoras permiten eliminar grancantidad de estados repetidos en los arboles deprediccion de comportamiento, que pasan a serrealmente grafos de comportamiento. No obstanteestas mejoras no son suficientes para hacer viablela simulacion cualitativa de procesos complejos. Es

90


Figura 6.3: Espacios de cantidades borrosos.

preciso recurrir a tecnicas adicionales como las de-sarrolladas por otros autores. Estas tecnicas permi-ten reducir e incluso eliminar en parte los proble-mas planteados, posibilitando el uso de este tipode simulacion en sistemas mas complejos. Algu-nas de las tecnicas empleables son las siguientes:

Utilizacion de derivadas de orden superior[Dalle Molle 89].

Utilizacion de vectores cualitativos de estado[Morgan 90].

Utilizacion de informacion cuantitativa [Kui-pers 90].

Utilizacion de tecnicas de ponderacion de in-fluencias [D’Ambrosio 89a].

Utilizacion de modelos componibles [Fran-ke 90].

6.5.7. Simulacion cualitativa borrosa

Sin embargo las anteriores extensiones no re-suelven un prblema adicional que surge cuando setratan de relacionar representaciones cualitativas—o cualquier otro tipo de representacion— conentidades reales. Este problema es el problema dela interpretacion.

El problema de la interpretacion surge de la in-certidumbre asociada a las mediciones realizadas

sobre un proceso real ası como en la especificacionde los valores que requieren especial considera-cion —hitos— asociados a las variables del proce-so. Este problema de interpretacion hace que laspredicciones cualitativas de comportamiento lle-ven asociada una cierta incertidumbre, tanto en elpunto de partida como en las posibles transicio-nes.

Para resolver en parte este problema se ha de-sarrollado en esta tesis un metodo de pondera-cion de comportamientos aplicable al algoritmo deKuipers. Este metodo recibe el nombre de simula-cion cualitativa borrosa y se basa en la utilizacionde los estados cualitativos borrosos mencionadosen la seccion 6.5.4. Este metodo es una extensional algoritmo QSIM que es tambien de utilidad parahacer frente a la explosion combinatoria por mediode podas selectivas del arbol de comportamientos,y al problema de la indecidibilidad del compor-tamiento por medio de factores de posibilidad detransicion.

Por ello la simulacion cualitativa borrosa tratade realizar ponderaciones de comportamientos, deforma que se pueda:

Estimar cual es el comportamiento mas posi-ble6.

6Se emplea el termino posible en un sentido generico, sin tra-tar de hacer las distinciones que hacen otros autores respecto aotros conceptos asociados al manejo de incertidumbre. En estesentido ver [Gonzalez 89] o [Klir 89].

91


Podar el arbol de comportamientos.

Esta extension se basa en utilizar la informa-cion cuantitativa suministrada por el modelo Nası como las funciones de abstraccion que generanvalores FQ, para reducir el numero de prediccio-nes y hacerlas mas fiables.

El algoritmo de simulacion cualitativa borrosaes el siguiente:

Se parte de un estado inicial dado por el esta-do FQ del proceso obtenido mediante las fun-ciones de abstraccion del estado N desde elque se quiere hacer partir la simulacion.

Por ejemplo consideremos que nuestro proceso tie-ne dos variables X e Y con los siguientes valoresFQ:

X = MEDIA/0.9,ALTA/0.3Y = BAJA/0.4,MEDIA/0.6

De dicho estado FQ se obtienen una serie deestados Q que se ponderaran con unos fac-tores de posibilidad. Para cada variable elnumero de grados de pertenencia no nulos esreducido uno o dos en la mayor parte de loscasos. El numero de estados Q derivables dedicho estado oscila pues entre 1 y 2N , siendoN el numero de variables del proceso.

En nuestro ejemplo obtenemos los siguientes esta-dos Q:

Q1 = {X=MEDIA, Y=BAJA}Q2 = {X=MEDIA, Y=MEDIA}Q3 = {X=ALTA, Y=BAJA}Q4 = {X=ALTA, Y=MEDIA}

Para cada estado Q generado del anterior mo-do se determina el factor de posibilidad de di-cho estado empleando una norma triangular[Gonzalez 89] sobre todos los grados de per-tenencia asociados a las diferentes variables.

Los factores de posibilidad asociados a cada uno delos estados Q obtenidos sera (se emplea el productocomo norma triangular):

Q1 = NT(0.9,0.4) = 0.36Q2 = NT(0.9,0.6) = 0.54Q3 = NT(0.3,0.4) = 0.12Q4 = NT(0.3,0.6) = 0.18

Se realiza una simulacion cualitativa para ca-da uno de dichos estados Q. De esta forma segenera un grafo de comportamientos a partirde cada uno de los estados Q. Cada uno deestos grafos de comportamiento

Se realiza una fusion de los grafos de for-ma que se realiza una ponderacion de esta-dos empleando para ello una conorma trian-gular [Gonzalez 89] de forma que los estadosse ponderan de acuerdo con los diferentes fac-tores asociados a los estados cualitativos quegeneraron los diferentes comportamientos.

El resultado final de la simulacion es un gra-fo de comportamiento en el que los nodos repre-sentan estados y aparecen rotulados con factoresnumericos que representan en cierta medida la po-sibilidad de que el comportamiento real del siste-ma pase por dicho estado.

Desde el estado inicial al final aparecera uncamino privilegiado (posiblemente varios) quesera el comportamiento mas plausible.

Este metodo de simulacion permite:

Aumentar la fiabilidad de las predicciones, yaque se tienen en cuenta los posibles erroresasociados a la determinacion del estado ini-cial.

Paralelizar el proceso de simulacion, ya que espreciso realizar una simulacion por cada esta-do Q de partida.

Podar por umbrales el grafo de comporta-mientos, eliminando nodos que tengan facto-res de posibilidad por debajo del umbral. Deeste modo se reduce el numero de ramas aprolongar en caso de que se deseen realizarnuevas simulaciones.

Si la fusion de estados se realiza en cada pasodel proceso de simulacion —cada vez que segeneran estados sucesores— se puede realizaruna poda en marcha, lo que limita el numerode ramas a prolongar aunque hace perder lacaracterıstica de prediccion total de la simula-cion cualitativa.

92


E.3.3E.3.2E.3.1

E.2.3E.2.2E.2.1

E.1.3E.1.2E.1.1

E.0Estadoinicial

EstadosIntermedios

EstadosFinales E.3.4 E.3.5

E.2.4

T0

T1

T2

T3

***

Figura 6.4: Deteccion de estados iguales. Dado que E2.2≡ E2.4 los subarboles que cuelgan de dichosestados son identicos —de hecho son los mismos estados.

93


Estadoinicial

EstadosIntermedios

EstadosFinales

T0

T1

T2

T3E.3.3E.3.2E.3.1

E.2.3E.2.2E.2.1

E.1.3E.1.2E.1.1

E.0

*

**

Figura 6.5: Deteccion de comportamientos periodicos por identificacion de transicio-nes a estados previamente considerados.

El aspecto negativo principal de la simulacioncualitativa borrosa es que para hacer frente al pro-blema de la interpretacion agrava el problema dela explosion combinatoria. Sin embargo este meto-do permite realizar la poda del arbol de comporta-mientos, de forma que se acote en cierta medida laexplosion, aunque perdiendo la seguridad de quese generara el comportamiento real del sistema.

6.5.8. Implantacion

La implantacion de este tipo de representacionrequiere de tecnicas de simulacion cualitativa pa-ra las que no existen sistemas de desarrollo comer-ciales. El grupo de razonamiento cualitativo de laUniversidad de Texas en Austin distribuyen deforma gratuita un entorno de simulacion cualita-tiva que implanta el algoritmo QSIM de Kuipers.Este sistema —denominado Q— esta desarrolladoen LISP, lo que limita sobremanera su integrabili-dad con aplicaciones complejas, en particular apli-caciones de control.

Tambien es posible emplear el sistema Q2 de-sarrollado por el mismo equipo que introduce latecnica de incorporar informacion cuantitativa —en forma de intervalos— para podar el arbol yhacer mas facilmente interpretables los comporta-mientos generados.

Ademas el problema mas grave no es la simu-lacion, sino la construccion del modelo cualitativo.En algunos casos este es directamente derivabledel modelo en ecuaciones diferenciales ordinarias,pero en ciertos casos las necesidades derivadas dela aplicacion de ciertas extensiones hace que estemetodo sea inadecuado [Dalle Molle 89].

El trabajo que hay que realizar en este campoantes de que sea realmente viable el uso de simu-laciones cualitativas en control es muy importante.La serie de comentarios sobre la misma que apare-cen en este capıtulo deben entenderse desde estepunto de vista, como indicacion del camino a se-guir para que este tioi de simulaciones se util encontrol. Este trabajo debe orientarse en dos senti-dos principales:

94


Reducir la explosion combinatoria.

Reducir la indecibilidad de comportamientos.

Posibilitar el modelado de sistemas distri-buıdos.

Aunque en algunos casos las restricciones cua-litativas se pueden obtener de las ecuaciones di-ferenciales ordinarias, para el control de procesosserıa preciso que se emplearan ecuaciones diferen-ciales en derivadas parciales. Este es un tema pen-diente de investigacion, por lo que se desconocehasta que punto es esto posible. Quiza el sentidode influencias propugnado por Forbus [Forbus 84]sea aplicable: la variable tal crece cuando crece lavariable cual si todo lo demas sigue igual. Este esun desarrollo futuro derivado de las necesidadesplanteadas por la arquitectura propuesta en estatesis.

6.6. Modelo K

Existen hechos de alto grado de abstraccionque no admiten representacion en los dos nive-les anteriores. Ello es debido a que dichos nive-les de modelado tienen una orientacion fısica: tra-tan de modelar sistemas fısicos mediante varia-bles, valores de las mismas y relaciones entre ellas.Supongamos un sistema como el que se comen-ta en el capıtulo 8: un horno de clinker. En es-te sistema existen variables fısicas claramente de-finidas como es el caso de la velocidad de rota-cion. Ası mismo existen variables mas abstractasque estas, pero que admiten valores mas o menoscuantizables. Es el caso de la temperatura de zo-na segun vimos en el apartado 6.5. Pero tambienexisten otro tipo de informacion, asociable a va-lores de variables solo mediante consideracion deun sistema en un nivel de abstraccion superior. Lasvariables mas tıpicas de este tipo son las variablesde status7 del proceso.

Es habitual en los sistemas basados en el cono-cimiento la existencia de este tipo de variables, yaque son utilizadas habitualmente por los humanospara formular sus lıneas de razonamiento y por

7No confundir con las variables de estado.

ello son las que van a permitir conducir la inferen-cia. En nuestro caso todos los conceptos asociadosal sistema y que no tienen representacion fısica di-recta se encuadraran en este modelo.

6.6.1. Estructura del modelo K

La estructura del modelo K dependera de cadaaplicacion del mismo modo que la estructura delconocimiento de un sistema experto depende dela aplicacion particular, ya que en la mayor partede los casos esta estructura refleja el conocimientode una determinada persona.

6.6.2. Funciones QK y KQ

Este tipo de funciones son muy diferentes alas funciones NQ y QN, dado que asocian dos es-pacios absolutamente diferentes. Mientras que losmodelos N y Q representan sistemas fısicos, el mo-delo K ha sido definido como aquel en el que seincluyen todas las variables que no representanmagnitudes fısicas.


Las funciones del modelo K son la informativay la linguıstica. La informacion de este modelo esutilizada por los sistemas de razonamiento para ladeterminacion de las acciones de control.

Por lo general este modelo estara eximido, enuna primera aproximacion, de la funcion predicti-va, aunque en algunos casos la dificultad de mode-lado del proceso requiera del uso de tecnicas de si-mulacion basada en el conocimiento, tecnicas quese deben aplicar en este nivel.

6.6.4. Implantacion

El modelo de representacion de conocimiento autilizar puede basarse en una serie de paradigmasperfectamente definidos:

Calculo de predicados.

Calculo proposicional.

95


Marcos.

Objetos.

Redes semanticas.

etc.

De manera analoga al caso del modelo N, no seencuentra entre lo objetivos de esta tesis el desa-rrollo de un sistema de representacion del conoci-miento a este nivel. Las alternativas en el mercadoson multiples, por lo que este tipo de desarrollocarece de sentido.

6.7. Utilizacion de Modelos enControl

Ya en el capıtulo 3 se analizaron las caracterısti-cas de los modelos empleados en control. En estecapıtulo se ha presentado un metodo de construc-cion de modelos orientado al control, para su uti-lizacion en lınea. Estos modelos para control sonmodelos explıcitos que se pueden emplear desdeun punto de vista multiple, realizando tres funcio-nes principales:

Mantener la informacion sobre el estado delproceso a controlar. Esta informacion es-tara disponible en diversos niveles de abstrac-cion, lo que permite su utilizacion por diferen-tes aplicaciones.

Realizar predicciones de comportamiento delsistema.

Mantener informacion estructural/funcional,que es necesaria para el razonamiento basadoen modelos.

Los sistemas avanzados de control se basan ne-cesariamente en modelos profundos del proceso acontrolar, modelos que se construyen utilizandomultiples paradigmas de modelado. En sistemasinteligentes de control la integracion de varios deestos modelos puede conducir a sistemas que ope-ren con garantıas en una amplia gama de condi-ciones de funcionamiento.

6.7.1. Informacion sobre el estado

El metodo de construccion de modelos presen-tado en anteriores puntos permite que la informa-cion sobre el estado del proceso a controlar tengalas deseables caracterısticas de multiresolucionali-dad. Esto permite que la formulacion de estrate-gias de control sea mucho mas clara e inmediata.

En anteriores capıtulos hemos comentado quelas dos etapas fundamentales de control son lavaloracion de la situacion y la determinacion dela accion de control. Las funciones de abstraccionutilizadas en la obtencion de valores de nivelesde abstraccion superiores, implantan —en ciertamedida— un primer acercamiento a la valoracionde la situacion que constituye la primera etapa delcontrol inteligente.

Es por ejemplo posible que en la determinacionde la accion de control sobre un proceso determi-nado8 se base en que dicho proceso tenga una ten-dencia termica positiva. Para realizar esta determi-nacion de accion de control es preciso pues llevar acabo primero una determinacion de dicha tenden-cia termica. Esto puede interpretarse como un meroproceso de calculo asociado al calculo de la accion,pero su verdadero sentido es el de obtener el va-lor de una variable de estado del proceso, el estadotermico, que corresponde a un determinado nivelde abstraccion, superior al de las medidas directasde planta.

Por ello el disponer de un modelo multireso-lucional para control inteligente, simplifica sobre-manera el desarrollo de los mecanismos en que seva a basar dicho control.

6.7.2. Prediccion del comportamiento

En muchos casos los sistemas de control lle-gan a establecer acciones de control que carecenpor completo de garantıas de funcionamiento. Es-to se produce en el caso de controles clasicos cuan-do la el estado funcional del proceso no coincidecon aquel para el que se diseno el control; o en elcaso de control basado en reglas porque las basesde conocimiento son practicamente inverificables.

8Tomado de un desarrollo real.

96


(a) Simulación

(b) Razonamiento basado en modelos

ProcesoValidación de la acción de control


Conocimiento sobre el Proceso

ProcesoValidación de la acción de control


Conocimiento sobre el Proceso

Figura 6.6: Utilizacion del conocimiento sobre el proceso en control.

Es por ello interesante disponer de medios pa-ra validar dichas acciones de control. Esta valida-cion se puede hacer a priori, en base a conocimien-to incluido en el algoritmo de determinacion de laaccion de control o puede realizarse a posteriori,viendo los resultados que produce sobre el proce-so. Sin embargo, en muchos casos no es posibleutilizar la primera por la escasez de conocimien-to disponible para realizarla, ni la segunda por lasconsecuencias que pudiera tener sobre el proceso.

El disponer de un modelo adecuado del proce-so nos permite utilizarlo para validarlas accionesde control por simulacion. Sin embargo, este me-canismo basado en el conocimiento —el modelo—presenta dos problemas fundamentales:

La veracidad del modelo: un mal modelo pue-de conducir a conclusiones erroneas.

El costo temporal: un sistema de control debeoperar en tiempo real, por lo que determina-do tipo de procesamiento queda excluido porsuperar los horizontes temporales admisibles.

La prediccion de comportamiento para valida-cion de acciones de control requiere que el modeloutilizado permita especificar las acciones de con-trol a realizar sobre el proceso, por lo que el mode-lo debe incluir tambien los reguladores que van arealizar el control de dicho proceso.

En el caso de utilizar sistemas convencionalesde control (p.e. PID) este modelado de regulado-res es inmediato; pero en el caso de usar sistemasbasados en el conocimiento el problema alcanzaunos niveles de complejidad enorme. En las ac-tuales circunstancias solo es factible el realizar lasimulacion de sistemas del primer tipo — i.e. conreguladores clasicos.

6.7.3. Informacion estructural / funcio-nal

El conocimiento sobre el proceso que se em-pleaba de forma indirecta simulacion para deter-minar acciones de control, puede ser empleado pa-ra la determinacion directa de las mismas.

97


En la Figura 6.7.2 se presentan ambas formasde utilizacion en lınea del conocimiento sobre elproceso en control del mismo. En el caso a) elconocimiento se emplea para validar —por simu-lacion— las acciones de control establecidas porotro elemento. En el caso b) el modelo se empleadirectamente para establecer las acciones de con-trol. En este caso puede no ser necesario el emplearuna etapa de validacion, lo que se trata de indicaren la figura por un aspa.

La determinacion de las acciones de control enbase al uso de modelos se enmarca dentro de loque se denomina razonamiento basado en mode-los (ver capıtulo 4).

98

Capıtulo 7

Arquitectura de Control Inteligente

- Excelencia Ferromagnetica, puesto que elelectrodragon que estas creando ha de derrotar al

que esta en nuestro satelite y ocupar su puesto,¿como haremos para echarle a su vez? - Muy

sencillo: fabricaremos otro dragon aun maspoderoso, y luego otro para matar a este, y

ası sucesivamente . . .

Stanilaw LemFabulas de Robots, 1981

7.1. Introduccion

Es de importancia fundamental al desarrollaruna filosofıa de control inteligente que sea cohe-rente con los requisitos del control en tiempo real.Por ello la definicion de funciones y de arquitec-turas que las soporten es quiza el paso mas im-portante el desarrollo de un sistema inteligente decontrol. En este capıtulo se presenta una arquitec-tura de un sistema de control para procesos com-plejos: CONEX. Esta arquitectura pretende resol-ver los problemas mas importantes del control deeste tipo de sistemas, recurriendo para ello a di-versas tecnicas de control inteligente.

El campo de aplicacion de esta arquitectura decontrol son los sistemas con las siguientes carac-terısticas:

Necesidad de procesamiento de un alto volu-men de informacion, derivado de la compleji-dad primaria del sistema.

Necesidad de realizar control de subsistemasfuertemente acoplados origen de la compleji-dad secundaria.

Carencia de modelos precisos de comporta-miento, derivado de la complejidad secunda-ria y terciaria.

La operacion en tiempo real del sistema se con-sigue por integracion de multiples paradigmas decontrol, estructurados de acuerdo con el princi-pio formulado por Saridis de precision creciente coninteligencia decreciente, y con el principio implan-tacional de inteligencia creciente con velocidad de-creciente. Esta descomposicion permite realizar undesacoplamiento entre el sistema real el proceso ylos mecanismos de razonamiento al mas alto ni-vel. Este enfoque es el habitual en la mayor par-te de las arquitecturas de control inteligente. Cadaimplantacion llevada a cabo con esta arquitecturasera adecuada para controlar determinado tipo desistemas, que tengan un tempo caracterıstico pordebajo del horizonte de aplicabilidad del sistemaen cuestion.

7.2. Objetivos de la Arquitectura

Los objetivos de esta arquitectura se agrupanen dos tipos: objetivos a satisfacer por el sistema decontrol final, y objetivos para etapas de desarrollo.

7.2.1. Objetivos del sistema final

El objetivo fundamental de esta arquitectura esel posibilitar el control de procesos que sean com-plejos en los tres sentidos comentados en el capıtu-lo 2. Estos procesos se caracterizan por que habi-tualmente precisan de un operador humano para

99


su correcto funcionamiento. Para lograr este obje-tivo la arquitectura debe permitir implantar unaserie de tecnicas para la realizacion de sistemasinteligentes de control que suministren los servi-cios necesarios para suplantar al operador de unaplanta en sus tareas o bien servirle de ayuda enlas mismas; el campo de aplicacion de este tipode control seran procesos complejos y/o de ope-racion compleja, bien por el gran volumen de in-formacion bien por la baja calidad de la misma.Ademas, como condicion anadida y fundamentalen un sistema basado en inteligencia artificial, elsistema final debe tener una alta fiabilidad y dis-ponibilidad.

7.2.2. Objetivos de desarrollo

La construccion de sistemas de control inteli-gente es una tarea compleja, requiriendo en la ma-yor parte de los casos el uso de equipos multidisci-plinares y de arquitecturas especıficas orientadasal problema que se pretende resolver. Esto haceque los costes de desarrollo, ası como los tiempos,sean muy elevados. La arquitectura que se presen-ta pretende resolver en parte esta problematica deforma que se haga factible:

El desarrollo independiente de los subsiste-mas.

La mantenibilidad y extensibilidad de los sis-temas desarrollados.

La reutilizabilidad del software.

7.3. Fundamentos de la Arqui-tectura

7.3.1. Control de procesos

El analizar las funciones que se realizan paracontrolar un proceso complejo nos permitira reali-zar una descomposicion funcional del sistema decontrol. En control de procesos distinguimos entretres tipos diferentes de actividades:

Actividades a corto plazo: Por ejemplo las activi-dades de control orientado al mantenimientode la temperatura en un determinado punto.

Actividades a medio plazo: Actividad de arran-que o de cambio de punto de funcionamiento.

Actividades a largo plazo: Optimizacion de pro-duccion y calidad.

Proceso

Valoración

Acción

Estadofuncional

Acción decontrol

Referencia

Referencia

Figura 7.1: Estructura de control avanzado.

Todas estas actividades precisan de diferentestipos de informacion para realizar el control ade-cuado del proceso. Asimismo la actividad de con-trol esta orientada en distintos aspectos que de-ben gestionarse de forma simultanea. Estos tres ti-pos de actividades estan ligadas a los tres nivelesestandar de sistemas jerarquicos de control: ejecu-cion, coordinacion y organizacion.

Todo ello hace que el volumen de informaciony la complejidad de la misma necesarios para lossistemas de control inteligente sean varios ordenesde magnitud mayores que los utilizados en siste-mas expertos convencionales. Los sistemas de con-trol clasicos y los sistemas basados en el conoci-miento basan sus decisiones en informacion quese situa en diferentes niveles de abstraccion. Pararealizar con exito la integracion de sistemas exper-tos en sistemas de control ya existentes o en ca-so de emplear arquitecturas multinivel —como laque se propone en esta tesis— es preciso el desa-rrollo de un mecanismo de interconexion entre losdatos manejados por el sistema de control o mo-nitorizacion (senales) y los que maneja el sistemabasado en el conocimiento (conceptos abstractos).

El nivel de informacion abstracto usado porel sistema basado en el conocimiento puede te-ner elementos en correspondencia directa con las

100

Capıtulo 7. Arquitectura de Control Inteligente

senales de proceso (nivel de informacion del sis-tema de control), aunque quiza la corresponden-cia sea a traves de una conversion simbolica (abs-traccion). Tambien pueden existir conceptos sincorrespondencia directa, que son determinados apartir de los anteriores. Este conjunto de concep-tos a diferentes niveles constituye un modelo delproceso. Es un modelo profundo, con estructurajerarquica.

7.3.2. Etapas de control inteligente

En el capıtulo 5 decıamos que las etapas a se-guir en un sistema de control inteligente son lassiguientes:

1. Identificacion del estado funcional del proce-so

2. Identificacion de los posibles cursos de accion

3. Determinacion del impacto sobre el sistema

4. Interpretacion del impacto

5. Seleccion y ejecucion de una alternativa decontrol

6. Monitorizacion de los resultados

La primera corresponde a lo que en el capıtu-lo 4 denominamos valoracion de la situacion y lasrestantes salvo la ultima a lo que llamabamos de-terminacion de la actuacion. En un sistema de con-trol clasico la etapa 1 no existe, por lo que las eta-pas 2, 3 y 4 pierden en gran parte su sentido ydesaparecen. La etapa 5 se alcanza con una solaalternativa de control, por lo que la eleccion es in-mediata. La etapa 6 queda un poco al margen delo que es el proceso de control, aunque es funda-mental para la mejora del mismo, bien de formamanual o automatica.

En nuestro sistema se tiene una jerarquıa de sis-temas de control, lo que da lugar a implementacio-nes particulares para cada nivel de los anterioresprocesos.

7.3.3. Niveles de control

En la literatura se habla de sistemas de con-trol y de sistemas de soporte de decisiones; ennuestro caso —procesos complejos— lo habituales tener sistemas que incluyen aspectos de ambos,realizando el control de subsistemas simples y si-multaneamente sirviendo de apoyo a los operado-res. En CONEX este reparto de funciones se im-planta mediante una jerarquıa de niveles de con-trol, que van desde el control automatico clasicohasta el control manual. En esencia la supervisiondel control consiste en determinar si una situaciondada cae fuera del campo de actuacion de un de-terminado nivel, solicitando la intervencion de ni-veles superiores.

Control por Patrones

Control Directo

Proceso

Control Basado en Reglas

Control Basado en Modelos

Control por Operador

Inteligencia

Velocidad

Figura 7.2: Jerarquıa de niveles de control en la arqui-tectura CONEX.

Esta jerarquıa de control es la siguiente:

Control directo. En el modo de funcionamientonormal sera el unico nivel activo de CONEX.En esta situacion todas las acciones de controlse determinan al nivel mas bajo, esto es, porlos controladores directos. El funcionamiento

101


del sistema en esta situacion sera estable den-tro de rangos de valores aceptables. En estenivel se emplearan tanto reguladores clasicoscomo reguladores borrosos basados en reglas.En este nivel no existe etapa de valoracion desituacion, por lo que el sistema no puede cali-ficarse de control inteligente.

Control por patrones situacion-accion. Los sub-sistemas superiores al control directo se en-cuentran en estado de latencia salvo unmodulo, denominado monitor, encargado dedetectar y reconocer patrones anormales. Ladeteccion de un patron anormal en el procesosupone la consulta a la base de datos de pa-trones ası como a una base de conocimientopara deteccion de patrones anormales. El mo-nitor determinara si existe una secuencia deacciones de control asociada a dicho patron;se dira en este caso que el patron ha sido reco-nocido. Si el patron no es reconocido se invo-cara al nivel superior: control inteligente. Eneste nivel la valoracion de la situacion se haceen base a patrones establecidos. Las etapas dedeterminacion de alternativas de control, va-loracion y seleccion, se hacen a priori por unhumano que establece los protocolos de con-trol para cada situacion reconocida.

Control basado en reglas. El subsistema de con-trol basado en reglas propondra una serie deacciones de control para dicha situacion, utili-zando el conocimiento de expertos en controlde proceso: operadores e ingenieros de planta.En este nivel las etapas de control se diferen-cian claramente; por ello es el primer nivel ca-lificable de inteligente. La determinacion de lasalternativas de control se hara mediante razo-namiento basado en reglas, con una base deconocimiento para determinacion de accionesde control especıfica del dominio.

Control basado en modelos. Permitira, en base aun modelo de la planta, proponer acciones decontrol que seran validadas por un moduloespecıfico. En este nivel las etapas de controltambien se diferencian como en el anterior. Ladeterminacion de las alternativas de controlse hace en este caso mediante razonamientobasado en modelos, utilizando un modelo es-

pecıfico y una base de conocimientos de con-trol general.

Operador. Si despues de todo estas etapas el sis-tema no alcanza una decision de accion se re-querira la intervencion del operador. En estecaso el operador realiza las diferentes etapasasociadas al control inteligente, aunque cuen-ta con el apoyo del sistema para realizarlas.El interfase de usuario realiza interpretacio-nes previas de los datos, y realiza valoracio-nes de acciones de control.

7.3.4. Descomposicion heterogenea

El enfoque utilizado en esta arquitectura es elde descomposicion funcional y por dominios, em-pleando una serie de paradigmas especıficos. Es-ta descomposicion dara lugar a una jerarquıa deniveles de control, cada una con sus capacidadesespecıficas tanto en situaciones controlables comoen velocidad de operacion. En CONEX se empleanuna serie de modulos basados en inteligencia ar-tificial, construidos con diferentes paradigmas yque utilizan bases de conocimiento diferenciadas.Estas bases de conocimiento son:

Un conjunto de bases de conocimiento paracontrol borroso. En ellas se tienen una serie dereglas de control que implantan reguladoresborrosos para control de bucles simples.

Una base de conocimiento de control. Esta ba-se de conocimiento contiene reglas de controlglobal del proceso. Estas reglas permiten esta-blecer estrategias globales de control para to-do el proceso.

Una base de conocimiento de metacontrol yuna base de conocimiento sobre el procesomodelo del proceso. La base de conocimien-to de metacontrol contiene reglas generales dedeterminacion de acciones de control global apartir de la base de conocimiento del proceso.La base de conocimiento del proceso constitu-ye un modelo profundo del mismo, que per-mite el uso de tecnicas de razonamiento basa-do en modelos.

102


Los conocimientos contenidos en cada una delas bases de conocimiento son muy diferentes yademas son utilizados para diferentes funciones,por lo que apenas existiran problemas de coheren-cia y de planificacion, ya que el diseno de la ar-quitectura esta muy orientado al proceso, siendotodas las bases de conocimiento muy especıficas yseparadas, por lo que utilizacion esta planificadaa priori, lo que hace innecesario el empleo de unplanificador de bases en tiempo de ejecucion.

7.3.5. Objetos activos y pasivos

Un sistema CONEX se estructura en forma deuna coleccion de objetos activos y pasivos [Ellis 89],desarrollados con la metodologıa de programa-cion orientada a objeto que permitira alcanzar al-gunos de los objetivos planteados, en particular lareutilizabilidad y extensibilidad.

En la mayorıa de los sistemas orientados aobjeto, los objetos deben recibir un mensaje an-tes de realizar cualquier accion. Un objeto activoes un objeto que puede iniciar acciones de for-ma asıncrona, sin ser requerido para ello por otroobjeto mediante un mensaje. Los objetos activosnos permitiran construir un sistema basado en ele-mentos independientes, con interfases bien defini-das entre ellos, y que se comportara como un sis-tema cooperante. En caso de objetos pasivos la re-cepcion de un mensaje produce la invocacion deun metodo que realizara alguna funcion deman-dada por el mensaje. En el caso de objetos acti-vos, estos, ademas de dichos metodos, disponende una serie de procesos que responden de la ac-tividad de los objetos. La invocacion de metodospuede ser llevada a cabo de dos formas:

Con bloqueo: Es la unica forma posible en el ca-so de objetos pasivos. Es analoga a la invo-cacion de un procedimiento en programacionconvencional. El flujo de control pasa del ob-jeto/metodo invocante al objeto/metodo in-vocado, devolviendose al primero al terminarla ejecucion.

Sin bloqueo: Es caracterıstico de los objetos acti-vos, produciendose una bifurcacion del flujode control. El metodo invocante continua su

ejecucion despues de realizar la invocacion; elmetodo invocado se ejecuta de forma concu-rrente con el metodo invocante.

En sistemas con invocaciones sin bloqueo elflujo de control no es una lınea temporal, sin que esun arbol en el que las bifurcaciones son debidas alas invocaciones sin bloqueo. Este tipo de softwareconlleva problemas de gran dificultad y que pre-cisan de soluciones robustas en el caso de utiliza-cion para control. Ejemplo de este tipo de proble-mas son la recuperacion de errores de comunica-cion entre objetos, fallos en la respuesta del objetoinvocado, la programacion y control de invocacio-nes multiples de metodos de un objeto particular,etc. El fallo de comunicacion o de respuesta de unobjeto puede producir la interrupcion del funcio-namiento de un objeto si la invocacion se hizo conbloqueo; este tipo de problemas aparecen en tiem-po de ejecucion por lo que es preciso dotar al sis-tema de estrategias de desbloqueo timeouts y derecuperacion objetos redundantes, metodos alter-nativos, etc. Las invocaciones multiples de meto-dos de un objeto se pueden atender de diversasformas en funcion del objeto, que puede o no per-mitir ejecucion simultanea de varios metodos. Encaso de permitirlo aparecen problemas de cohe-rencia de las ejecuciones, requiriendo por lo gene-ral de mecanismos basados en transacciones parael acceso a los datos. En caso de permitir una solalınea de ejecucion, esta debe compartirse entre losprocesos internos del objeto y los metodos invoca-dos por otros objetos. Por lo general es preciso eluso de mecanismos de interrupcion, colas y plani-ficadores1 para gestionar esta concurrencia.

Los objetos activos permiten ademas la apari-cion de un tipo nuevo de mensaje, inexistente ensistemas pasivos: el mensaje multiple. Este tipo demensaje no tiene un unico destinatario, sino queva dirigido a un grupo de objetos. Un tipo parti-cular de mensaje multiple es el que va dirigido atodos los objetos y que denominaremos mensajeglobal.

1Schedulers.

103


Operador

Ingeniero de Planta

Ingeniero de Control

Sistema HW/SW

Planta

Exterior

CONEX

Humanos Sistemas

Figura 7.3: Diagrama de contexto de CONEX.

104


7.4. Arquitectura Software

CONEX es un sistema de control inteligentedistribuido. Es un sistema con restricciones debilesde operacion en tiempo real debido al tipo de pro-ceso a controlar. No obstante su diseno permite suutilizacion, con potencialidad limitada, en aplica-ciones con requerimientos fuertes. La arquitecturaglobal del sistema se basa en una serie de subsis-temas independientes, que interactuan a traves depaso de mensajes. Esto hace que las restriccionesde cada uno de ellos sean particulares y muy di-ferentes entre sı. CONEX interacciona con los si-guientes sistemas externos:

PLANTA: CONEX es un sistema de control, porlo que debe interaccionar con la planta. Estainteraccion puede ser directa o bien a travesde sistemas de bajo nivel, que permitan uncierto aislamiento y preproceso de senales.

EXTERIOR: CONEX es un sistema abierto, por loque presenta una interfase de comunicacionescon el mundo exterior que permite la interac-cion y el intercambio de ordenes y datos conotros procesos externos a CONEX.

SISTEMA HW/SW: CONEX es un sistema de sof-tware, y como tal, debe ejecutarse sobre unacomputadora. La integracion con el sistemaoperativo es fundamental en un sistema avan-zado, sobre todo si este debe operar en tiemporeal y de forma robusta.

OPERADOR: CONEX trata de mejorar las carac-terısticas del control por integracion de mo-dos automaticos y manuales.

INGENIERO DE PLANTA: CONEX se basa, enlos niveles mas altos de control, en la exis-tencia de modelos multiresolucionales de laplanta. El conocimiento del ingeniero de plan-ta se integra junto con el conocimiento deloperador para conseguir una base de conoci-miento mas profunda.

INGENIERO DE SISTEMAS: CONEX es un de-sarrollo nuevo, y por lo tanto su instalacion,puesta en marcha y operacion requeriran porlo general de la intervencion de ingenieros desistemas.

CONEX es un desarrollo novedoso, en el quese realiza la integracion de sistemas basados en di-versas tecnicas. Las tecnicas necesarias son varia-das y en algunos casos es preciso realizar una ade-cuacion de las mismas al control de procesos.

7.4.1. Estructura global

Un sistema CONEX se compone de una se-rie de objetos activos que denominaremos a partirde ahora OANs (Objetos de Alto Nivel), que in-tercambian informacion de forma activa median-te paso de mensajes para lograr una serie de finespropios de cada uno. Los OANs que componen unsistema CONEX son los siguientes:

CONEX-CD: Control directo. Encargado del con-trol directo del proceso.

CONEX-IP: Interfase de proceso. Realiza las mi-siones de conexion con el proceso.

CONEX-MP: Monitor de proceso. Es en esenciaun reconocedor de patrones dinamicos en lasvariables de proceso.

CONEX-MS: Modelo y simulador. Es el sistemade soporte de la base de conocimiento sobreel proceso modelo.

CONEX-CI: Control inteligente. Implanta los me-canismos de control basado en reglas y basa-do en modelos.

CONEX-IU: Interfase de usuario. Encargado de lainteraccion con los operadores e ingenieros deproceso.

CONEX-EA: Evaluador de actuaciones. Permiteevaluar en terminos de objetivos globales lasacciones a realizar sobre el proceso.

CONEX-MC: Monitor de CONEX. Es el modulode vigilancia y control de la propia aplicacionCONEX.

CONEX-IE: Interfase externa. Permite interaccio-nar con CONEX a elementos exteriores al mis-mo.

105


La comunicacion entre los mismos se realiza atraves de paso de mensajes, teniendo cada uno delos OANs una interfase bien definida, accesible alos demas OANs. El acceso a los recursos de unOAN por parte de los demas debe hacerse siemprea traves de uno de los mensajes de la interfase. To-dos los datos de CONEX son internos a alguno delos OANs.

Todos los OANs son independientes en vir-tud del mecanismo de paso de mensajes, porlo que admiten implantaciones independientes,con el unico requerimiento del acceso al mediode comunicacion comun. La dependencia entreOANs esta determinada por las necesidades de in-formacion o servicios de cada uno de ellos, especi-ficados mediante los grupos OAN/mensajes aso-ciados a cada OAN.

Los tipos de mensajes en CONEX son dos:

Mensajes simples. Son mensajes enviados por unOAN a otro OAN.

Mensajes de grupo. Son mensajes enviados porun OAN a un grupo de OANs. En este caso eldestinatario del mensaje es un OAN virtual.Los modulos de gestion de mensajes de losOANs son los encargados de reconocer si undeterminado mensaje va destinado a ellos ono. Existe un grupo especialmente importan-te, denominado G-CONEX, y que comprendea todos los OANs. Cuando un mensaje tienecomo destino G-CONEX, diremos que es unmensaje global.

Existe otro mecanismo de envıo de un mensa-je a un grupo de OANs. Este mecanismo se cono-ce como lista de clientela. Una lista de clientela esuna lista de OANs que requieren de otro un de-terminado servicio que quede ser servido de for-ma asıncrona, sin necesidad de un mensaje de so-licitud por parte del OAN cliente. El OAN queimplanta la lista de clientela determina cuandose debe servir a los clientes de la lista. Las en-tradas de las listas de clientela se componen detres partes cliente, condicion y objeto (a quien, cuan-do y que). Mientras que los grupos son estati-cos las listas de clientela son dinamicas. Esto noes debido a problemas de implantacion sino a fi-losofıa de funcionamiento de CONEX. Los gru-

pos son entes estructurales, asociados al funciona-miento de CONEX. Por contra las listas de cliente-la estan asociadas al comportamiento dinamico delos OANs de CONEX y de los elementos externosa CONEX. Los mecanismos de grupo se manejanpor los clientes el servidor solo envıa un mensajemientras que los mecanismos de clientela son ma-nejados por los servidores.

En los apartados que siguen se analizan cadauno de los OANs de CONEX. Para cada uno deellos se comentan los siguientes puntos:

Mision: Corresponde a la funcion de alto nivelque debe implantar el subsistema.

Descripcion: Comentario sobre las caracterısticasgenerales de dicho subsistema, referentes alos aspectos particulares de la implantacionpara satisfacer los requerimientos impuestospor la mision de dicho subsistema. Estos apar-tados se corresponden casi literalmente conlos correspondientes en [Sanz 89].

Tecnicas: Se comentan las principales tecnicas enque se basa el OAN. La diversidad de estastecnicas es la que hace precisa la existenciade un equipo multidisciplinar para el desa-rrollo de aplicaciones de control inteligente.El conocimiento de estas tecnicas es una de lascondiciones principales para el buen fin de unproyecto en este campo.

En un documento de analisis mas profundoque no se a incluido en la presente tesis se recogenlos siguientes elementos de los OANs:

Objetos internos: Conjunto de objetos que cons-tituyen el OAN y que realizan las funcionesque este sirve al exterior. Estos objetos inter-nos no responden a la estructura estandar deun OAN, sino que se realizaran de acuerdocon la implementacion particular que se selec-cione para cada uno de ellos.

Interfase: En este punto se analizan dos aspec-tos. Por una parte la entrada, referente al con-junto de mensajes que reconoce el objeto. Porotra parte la salida, que recoge los conjuntosde datos generados y los destinatarios de los

106


Figura 7.4: Estructura global de CONEX con las principales interacciones entre los nueve objetos activos dealto 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


Objetos de Alto Nivel

Acronimo Nombre Mision

CD Control DirectoGeneracion de referencias para los actuadores o pa-ra los bucles de control de bajo nivel.

IP Interfaz de ProcesoComunicacion / aislamiento con el proceso, tantodesde el punto de vista de sensores como de actua-dores.

MP Monitor de ProcesoDeterminacion del estado funcional del sistema enbase a una biblioteca de patrones y una base deconocimiento de identificacion.

MS Modelo y Simulador

Mantenimiento de la informacion sobre el proce-so, tanto la estructural/funcional —utilizada en lassimulaciones— como la factual —valores de las va-riales de proceso.

CI Control Inteligente Control basado en reglas y control basado en mode-los.

IU Interfase de UsuarioComunicacion con el operador y con los ingenierosde proceso.

EA Evaluador de actuacionesAnalisis de las actuaciones de control en base a unaevaluacion de los efectos de las mismas en terminosde objetos de alto nivel.

MC Monitor de CONEX Monitorizacion y control de CONEX.

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-das se corresponden con mensajes de las in-terfases de otros objetos. En teorıa en un sis-tema orientado a objeto la especificacion delas interfases debe incluir exclusivamente losmetodos propios de cada objeto. Pero en elcaso de sistemas cooperantes basados en ob-jetos activos, es preciso determinar todas lasnecesidades de los objetos, ya que sera de im-portancia crucial a la hora del funcionamientoreal. Por ello hay que analizar para cada ob-jeto para cada OAN todas las relaciones declientela con otros OANs.

Ficheros: Se refiere a los ficheros mas importantesasociados a un determinado objeto. Estos fi-cheros son especialmente importantes en estaarquitectura de control porque contienen todala informacion relevante sobre el estado delOAN, de forma que pueda recuperar su es-tado a partir de los ficheros si, por cualquiermodtivo, viera interrumpida su operacion.

7.4.2. Estructura estandar de un OAN

Todos los OANs comparten parte de su estruc-tura interna, de modo que todos respondan a cier-tos modos de funcionamieto comun especificadosen la interfase estandar del OAN.

Por ello todos los OANs disponen de dos obje-tos internos que responden a los nombres de ges-tor de mensajes y gestor de status.

7.4.3. Interfase estandar de un OAN

Todos los OANs disponen de un objeto internodenominado GM que es el encargado de realizarlas tareas de interfase del objeto con el resto delos OANs de CONEX. Este modulo de interfaserecibe mensajes de los objetos internos al OAN ylos traduce en mensajes externos segun el formatoestandar para CONEX.

Todos los GM implantan una serie estandar demensajes, tanto de entrada como de salida. Estegrupo de mensajes constituyen lo que se denomi-na interfase estandar de un OAN.

Mensajes de entrada

Peticion de status: Mensaje de solicitud de infor-macion sobre el estado interno del objeto. Es-te mensaje es publico, pudiendo recibirse yaceptarse de cualquier otro OAN.

Configuracion: Cambio de los parametros inter-nos del OAN, esencialmente relacionados conel modo de funcionamiento del OAN. Estemensaje es semipublico, pudiendo recibirsede un grupo determinado de objetos, funda-mentalmente CONEX-MC y CONEX-CI.

Arranque: Este mensaje es enviado exclusiva-mente por CONEX-MC, por lo que se trata deun mensaje privado. Indica al OAN que deberealizar el procedimiento de arranque.

Parada: Analogamente al mensaje de arranque esun mensaje privado de CONEX-MC. Indica alOAN que debe iniciar el procedimiento de pa-rada.

Mensajes de salida

Status: Este mensaje se envıa en respuesta a unasolicitud del mismo (Peticion de status).

Mensaje al usuario: es un mensaje destinado aloperador, por lo que va dirigido a CONEX-IU.

Alarmas: Pueden ser de tipos diferentes, pero vandirigidas en cualquier caso a G-CONEX.

7.4.4. CONEX-CD: Control Directo

Mision

CONEX-CD es el modulo de control directo deCONEX. Tiene como objetivo principal la genera-cion de referencias para los actuadores o para losbucles de control de bajo nivel (PLCs).

Descripcion general

El corazon de CONEX-CD esta constituidopor una serie de reguladores basados en diversas

109


OAN 1

Host 1

Sofware de Red

Nucleo

GM

OAN 2

Nucleo

GM

CCC Host 1

Hardware de RedRed

Host 2

OAN 3

Sofware de Red

Nucleo

GM

OAN 4

Nucleo

GM

CCC Host 1

Figura 7.5: Estructura de sofware de CONEX. Distribucion de objetos de alto nivel.

110


Figura 7.6: CONEX-CD: Control Directo

111


tecnicas y encargados del control de bucles sim-ples dentro del proceso global. Estos reguladoresde bajo nivel estan encargados de las tareas demantenimiento de consignas de los diferentes bu-cles de control. Este OAN debe ser capaz de man-tener el funcionamiento adecuado del sistema con-trolado en un entorno proximo al punto de funcio-namiento. Es necesariamente un sistema en tiem-po real. Para realizar el control directo el sistemaimplanta una serie de reguladores encargados delcontrol de subprocesos. Estos reguladores son sim-ples, en el sentido de realizar un control de pocasvariables. Los aspectos de interaccion entre sub-procesos se gestionan en un nivel superior. Los al-goritmos de control se pueden desarrollar e im-plantar de forma independiente del resto del sis-tema. La filosofıa de control a utilizar puede sercualquiera, variando en un amplio rango de posi-bilidades: PID, adaptativo, borroso, etc.

Las intervenciones de los OANs de nivel su-perior se hacen en forma de especificacion de pa-trones de actuacion de CONEX-CD. Un patron deactuacion es una lista temporal de actividades conbifurcaciones. En este patron de actuacion se espe-cifican las evoluciones temporales de:

Estructuras de control: tipos de reguladores autilizar.

Parametrizacion de los reguladores.

Consignas de los bucles de control.

Las actividades especificables en un patron deactuacion son de dos tipos: instantaneas y tempo-rales. Una actividad instantanea puede ser incon-dicional o condicionada a determinados valores devariables del proceso (estado N)2. Una actividadtemporal debe tener una condicion de inicio y unacondicion de terminacion. Un ejemplo tıpico de ac-tividad instantanea es un cambio de tipo de regu-lador (paso de un PID a un regulador borroso porejemplo). Un ejemplo tıpico de actividad tempo-ral es el cambio de referencia de forma incremen-tal, desde el valor inicial al final en un perıodo detiempo determinado.

2No se considera la utilizacion de condiciones sobre losotros dos estados para evitar dependencias directas de los ni-veles superiores. El utilizar este tipo de criterios conduce a lanecesidad de realizar un diseno de patrones dual, con y sin sis-tema de alto nivel.

Los patrones de actuacion se ejecutaran en ba-se a un reloj interno del OAN. La ejecucion de unpatron originara en algunos casos una colision deactividades. Estas colisiones se detectan y gestio-nan por un modulo especıfico de CONEX-CD de-nominado analizador de colisiones. Una colisionpor lo general conducira a la cancelacion de lasanteriores actividades, en funcion de criterios deprioridad. Ello conduce a que el sistema que gene-re el patron de actuacion deba tener en cuenta estehecho. La ejecucion de actividades tiene como re-sultado la modificacion del fichero de reguladores,aunque es posible el uso de especificaciones direc-tas de actuacion.

En este sistema se propone en principio la uti-lizacion de dos tipos de reguladores sin que ellosignifique la exclusion de otro tipo de posibilida-des:

Reguladores PID en aquellos bucles simplesde control que no ofrezcan problemas de se-guridad y tengan grados aceptables de fiabili-dad de las medidas.

Reguladores borrosos basados en reglas cuan-do el subproceso sea complejo y/o exista al-guno de los problemas mencionados en elapartado anterior. Los reguladores borrosospresentan en estos casos un comportamientomas robusto y fiable, con unas prestaciones(tiempo de subida, sobreoscilacion, etc) sololigeramente peores; aunque en casos de sis-temas complejos este comportamiento puedeincluso llegar a ser mejor que el de el PID.

Estos reguladores estaran disenados para unacoplamiento adecuado con el resto del sistemade control, pero siempre teniendo en cuenta que,en funcionamiento autonomo, se deben compor-tar de forma adecuada en cualquier circunstancia,por lo que evitaran en cualquier caso realizar ac-ciones que puedan resultar peligrosas o costosas.En funcionamiento estacionario el sistema de con-trol se comporta como si solo constara de estosreguladores, ya que no se dispararan actuacionesde los niveles superiores de control (CONEX-MPy CONEX-CI). En la especificiacion de actividadesde modificacion de reguladores se establecen lnascondiciones de aplicacion de las acciones de con-

112


Patrón Selección Actividad Ejecución

Actuación

Regulador Control Actuación

Figura 7.7: Procesado de patrones en CONEX-CD.

trol calculadas con estos reguladores. Estas condi-ciones expresan las circunsatancias bajo las cualesel regulador especificado es adecuado.

El objetivo de este modulo es garantizar el fun-cionamiento estable del sistema en condicionesnormales y con rendimientos adecuados. Este ob-jetivo parece mas facil de alcanzar mediante el usode reguladores borrosos, ya que son mas robustosy permiten manejar de manera mas eficaz condi-ciones de funcionamiento mas extremas.

Tecnicas

Control clasico.

Control borroso.

Logica temporal.

Programacion en tiempo real.

Programacion orientada a objeto.

Redes.

7.4.5. CONEX-IP: Interfase de Proceso

Mision

CONEX-IP es el interfase de proceso deCONEX; sirve de comunicacion/aislamiento conel proceso, tanto desde el punto de vista de senso-res como del de actuadores.

Descripcion general

La interfase de proceso es un subsistema queinteracciona con los sensores y actuadores de laplanta, por un lado, y por el otro con el restodel sistema inteligente de control. Su mision es lade obtener las mejores estimaciones posibles pa-ra las variables del proceso. Esta mision es fun-damental debido a la mala calidad de las medi-das habitual en plantas industriales, y que es debi-da a anomalıas de diferente origen. Esto hace queun filtrado convencional no sea lo suficientemen-te adecuado. Este modulo incorpora funciones dealto nivel para detectar dichas anomalıas en lassenales de la planta. Estas anomalıas son debidasa diversas causas, entre las que destacan: pertur-baciones electricas, mal funcionamiento del trans-ductor, medidas de mala calidad debido al tipo demagnitud a medir, perturbaciones del proceso enla zona de medicion, etc.

Ademas realiza misiones de interfase de con-trol, enviando los valores de las actuaciones a lossistemas de bajo nivel, previa verificacion de lascondiciones de dicha actuacion.

CONEXIP dispone de un reloj interno que esel que genera las demandas de medicion de varia-bles. El envıo de la informacion sobre el estado delproceso, estado N, se hara por medio de un mensa-je de grupo dirigido a G-CLIENTES-N; los recep-tores de este mensaje seran CONEXMS, CONEX-MP y CONEX-CD pero el utilizar un mensaje degrupo va a posibilitar la inclusion inmediata denuevos clientes, liberando a CONEXIP de la ne-

113


Figura 7.8: CONEX-IP: Interfase de Proceso

114


cesidad de gestionar una lista de clientes.

La interfase de proceso se estructura pues endos partes: la interfase de entrada y la interfase desalida. La interfase de entrada utiliza como datosde partida los siguientes:

Medidas procedentes del sensor, que pue-den venir afectadas por diversos tipos de rui-dos, procedentes de cualquiera de los elemen-tos del sistema (transductor, lınea, conversorA/D, etc).

Estado esperado del sistema, calculado por elmodulo de simulacion de CONEXMS. Este es-tado esperado se recibe en forma de compor-tamiento predicho en respuesta a una peticionde simulacion.

En caso de ser necesario se considerara la utili-zacion de los siguientes datos:

Modelo del sensor, para estimar las probabili-dades de los diferentes modos de fallo.

Condiciones de funcionamiento del sensor(modelo del entorno del mismo, caracterısti-cas de la magnitud a medir, etc)

Informacion adicional suministrada por eloperador.

Con todo ello la interfase de proceso determi-nara para cada sensor lo siguiente:

Valor estimado de la magnitud.

Factor de confianza en dicha medida.

En caso de factor de confianza pequeno, posi-ble causa de la malfuncion.

La utilizacion del modelo del proceso —estructura del proceso— permitira a este sistemadeterminar tambien:

Incongruencias entre valores medidos por lossensores.

Valores estimados para variables ocultas delproceso, esto es, variables que no tienen sen-sores para su medida directa. Aquı nos refe-rimos a variables del proceso que tienen exis-tencia real, por ejemplo la temperatura de zo-na de un horno.

Las sucesivas transformaciones que sufren losvalores se presentan en la Figura ??. Los valoresesperados se obtienen de una peticion de simula-cion al simulador. Esta simulacion devuelve tam-bien los valores de variables ocultas. Si el valor es-timado y el esperado coinciden se aceptan los esti-mados y las ocultas esperadas.

La interfase de salida genera acciones de con-trol elementales a partir de las actuaciones que leson remitidas por CONEXCD. Antes de generarlas acciones se filtran en funcion de las condicio-nes de aplicacion expresadas para la actuacion. Encaso de rechazo se informara a CONEXCD de estehecho.

Tecnicas

Filtrado.

Reconciliacion.

Equipos de control de bajo nivel.



Redes.

7.4.6. CONEX-MP: Monitor de Proceso

Mision

CONEX-MP es el monitor de proceso deCONEX, realizando la funcion de valorar la si-tuacion de proceso. Para ello determinar el estadofuncional del sistema en base a una biblioteca depatrones y una base de conocimiento de identifi-cacion.

En determinados casos, establece patrones deactuacion o bien requiere la intervencion del siste-ma superiores CONEX-CI.

115


Medida Filtrado

Esperado

Estimado

N Parcial N Parcial

Figura 7.9: Transformaciones de senales en CONEX-IP.

Figura 7.10: CONEX-MP: Monitor de Proceso

116


Descripcion general

Determinara el estado del proceso en base a re-conocimiento de patrones en las senales del proce-so. Dispone de una biblioteca de patrones de ac-tuacion asociados a determinadas situaciones delproceso.

Sus misiones se situan en ambas facetas delcontrol:

Valoracion de la situacion. Esta etapa permi-tira establecer la necesidad o no de laactuacion. La situacion del proceso se valorapor medio de una base de conocimiento deidentificacion de estado y una biblioteca depatrones de comportamiento. El monitorinicia pues acciones de control si el estadodel proceso es NO ambiguo o se requiere unaintervancion urgente (tiempo crıtico).

Determinacion de la actuacion. En esta etapa sedan del mismo modo dos posibilidades: a)que el sistema se este comportando de acuer-do con un patron para el que se establecidode forma unıvoca un patron de actuacion yb) que no se disponga de un patron de actua-cion, por lo que se requerira la intervencionde CONEX-CI.

Este reparto de funciones esta orientado a con-seguir un razonamiento progresivo distribuido,orientandolo hacia un aumento de eficiencia y se-guridad de operacion.

Aspecto fundamental del sistema es el alma-cenamiento de conocimientos (patrones situacion-actuacion). Para ello es preciso desarrollar un me-canismo eficiente de almacenamiento, basado enabstraccion y razonamiento por analogıa. El reco-nocimiento de patrones se hara en tres los nive-les utilizados por CONEX: N, Q y K. Estos patro-nes se especificaran en la mayor parte de los casoscomo patrones Q, ya que el conocmiento provie-ne de expertos humanos. Los patrones de actua-cion son listas temporales, expresando protocolosde actuacion a lo largo del tiempo; estas protocolosespecifican:

Consignas de los bucles de control

Configuraciones de los bucles de control yparametros de los mismos.

Actuaciones directas.

El establecimiento de un patron de actuacionsupone que el proceso se encuentra en una deter-minada situacion. la ejecucion de estos patrones serealiza en un nivel inferior y a lo largo del tiempo,por lo que es posible que la situacion del proce-so varıe. CONEX-IP verifica antes de realizar unaactuacion que las condiciones que determinaronla necesidad de la actuacion se sigan mantenien-do. Para ello los patrones de actuacion incluyeninformacion sobre el estado funcional del procesoque determino su actuacion y que condicionara suaplicacion.

Tecnicas


Bases de datos en tiempo real.

Reconocimiento de patrones.


Redes.

7.4.7. CONEX-MS: Modelo y Simula-dor

Mision

CONEX-MS es el gestor del modelo y el simu-lador de CONEX. Tiene como mision el mantenertoda la informacion sobre el proceso, tanto la es-tructural/funcional utilizada en las simulacionescomo la factual valores de las variables de proce-so.

Descripcion general

CONEX-MS es el OAN encargado de manejarla informacion sobre la planta y suministrarla a losrestantes OANs. Consta esencialmente de tres par-tes: el gestor del modelo, la base de datos y el si-mulador.

117


Figura 7.11: CONEX-MS: Modelo y simulador

118


CONEX-MS es el gestor de la base de datos delproceso, por ello es el encargado de gestionar la in-formacion especıfica del proceso a controlar. Estainformacion esta compuesta por los tres niveles demodelado ası como de los valores de las variablesde dichos modelos. Este sistema es el encargado derecabar y suministrar toda la informacion sobre laplanta. El acceso a los ficheros de modelo y datosdebe hacerse mediante peticiones a CONEX-MS.

Este sistema se construira sobre un gestor debases de datos relacionales. Mantendra informa-cion historica sobre evoluciones de las variables.La estructuracion de la informacion historica sehara en base a episodios. Este sistema implanta lasfunciones de abstraccion para el paso de valoresdel nivel inferior N a los niveles superiores Q y K.

Su mision fundamental es la de servir de sopor-te de informacion sobre el proceso a los diferenteselementos del sistema de control inteligente.

Ası proporciona informacion a:

CONEX-IP: Predicciones de evolucion de lasvariables del proceso, de forma que la inter-fase pueda detectar incongruencias o estimarvalores 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 actuale historico.

CONEX-EA: Sobre la evolucion del sistemafrente a acciones de control.

Mision del modelo

El modelo y los elementos asociados se implan-tan como un proceso independiente (OAN). Debeconsiderarse no solo como una base de datos sinocomo un sistema activo, en el sentido de permitirevaluar la evolucion del proceso desde diferentespuntos de vista (simulacion en varios niveles deabstraccion).

CONEX-MS consta de varios elementos funda-mentales:

La base de datos: Constituıda por varios fiche-ros que almacenan tres tipos de informacion:

• El modelo del proceso en tres niveles deabstraccion.

• Los datos sobre el estado actual del pro-ceso, separados en grupos de datos dife-rentes segun las capas de modelado.

• La historia del proceso. Este es el grupode datos mas importante, y que se usacon un gestor de bases de datos relacio-nales.

El gestor de datos: Encargado de mantener ysuministrar la informacion del estado actual ehistorica. Este subsistema implanta los meca-nismos de abstraccion.

El explorador del modelo: Gestiona la infor-macion contenida en cada uno de los gruposde datos que constituyen el modelo, propor-cionado informacion sobre las influencias en-tre variables de proceso..

El simulador: Realiza predicciones sobre laevolucion del proceso, utilizando para ello lostres niveles de modelado.

Corrector de modelos: Si la estructura del sis-tema lo permite y se ve su viabilidad, se im-plantara un modulo de correccion del modelonumerico ajuste de parametros en base a lasmediciones sobre el estado del proceso.

Toda la informacion sobre el proceso se estruc-tura en base al modelo del mismo y a los tres nive-les de abstraccion de modelado:

Modelo cuantitativo: Corresponde con un mode-lo para simulacion en sentido clasico.

Modelo cualitativo: Supone una primera etapade abstraccion a partir del modelo cuantita-tivo. En esta capa los parametros del modelose manejaran utilizando procedimientos de lateorıa de conjuntos borrosos y dependenciasentre variables basadas en ecuaciones diferen-ciales cualitativas.

119


Modelo de conocimiento: Corresponde con unconjunto de aserciones que constituyen partede la base de conocimiento sobre el proceso, yque permiten expresar conocimientos sobre elcomportamiento del proceso.

El gestor de datos es el encargado de gestionarlos flujos de informacion internos —entre capas—y externos —con otros elementos del sistema inte-ligente de control. Entre las funciones mas impor-tantes cabe destacar la presencia de las funcionesde abstraccion, que permiten pasar de la informa-cion de un nivel a la del inmediatamente superior.De este modo se haran las siguientes abstraccio-nes:

Estado N → Estado Q → Estado K

Otra mision importante llevada a cabo por elexplorado del modelo es la exploracion inversa delmodelo para razonamiento causal orientado a ladeterminacion de acciones de control.

El simulador implanta metodos de simulacioncontinua, simulacion cualitativa y simulacion ba-sada en el conocimiento para realizar prediccio-nes sobre las evoluciones del sistema. La carac-terıstica mas innovadora es que el sistema dis-pone de un modelo cualitativo del proceso quesirve de base para una simulacion del mismo ti-po —determinacion de tendencias. De este modose puede establecer la posible evolucion del sis-tema frente a las acciones de control propuestaspor el operador o por el planificador en terminoslinguısticos.

El nivel de exactitud del simulador es uno delos puntos cruciales, dado que hay que llegar auna solucion de compromiso entre la exactitud dela prediccion y la velocidad con que se obtiene lamisma. La simulacion cualitativa permite un en-foque adecuado de este problema, permitiendo deforma adicional un rapido desarrollo de los mode-los particulares de cada aplicacion.

El simulador debe predecir el comportamien-to del proceso. Esta determinacion del comporta-miento se podra hacer en cualquiera de los nive-les:

En el nivel mas alto se llevara a cabo medianteencadenamiento de reglas de comportamien-

to.

En el nivel intermedio se realizara una simu-lacion cualitativa de tendencias.

En el nivel mas bajo la simulacion a realizarsera una simulacion clasica.

Para realizar la simulacion del proceso se debeincluir en el modelo la informacion referente a losbucles de control del mismo, tal como son implan-tados por CONEX-CD. Esta informacion es sumi-nistrada por CONEX-CD ci¡on su mensaje de sta-tus, del que CONEX-MS sera un cliente, por lo quetodas las modificaciones del status de CONEX-CDle seran comunicadas.

El modelo —entendiendo como tal no solo larepresentacion del estado del sistema, sino tam-bien todas las tareas que lo acompanan— debe su-ministrar al sistema una serie de funciones:

Sirve como base de datos del sistema, infor-mando del estado actual del proceso.

Permite desarrollar razonamientos hipoteti-cos —gracias al soporte que ofrece para con-textos multiples. Esto sera de utilidad parael modulo de validacion de acciones del ope-rador y para la planificacion de acciones porparte del sistema experto.

Permite razonamiento temporal, posibilitan-do el almacenar historias de la evolucion delproceso.

Permite representaciones restringidas del es-tado del proceso, que se corresponden conabstracciones del estado real. Estas represen-taciones restringidas seran de importanciacrucial para mantener limitado el volumen dedatos, sobre todo en lo referente al razona-miento temporal (historias de estados) y al ra-zonamiento por analogıa que sera el funda-mento del aprendizaje (funcion de muy altonivel).

Los niveles de modelado se estructuran deacuerdo con el principio de precision creciente coninteligencia decreciente, lo que hace que aun cuan-do ambos aspectos precision e inteligencia sean

120


deseables, no es posible su concreccion en un mo-delo unico. Sin embargo si el modelo numerico eslo suficientemente bueno la necesidad de los otrosdos modelos se reduce sobremanera. Su su supre-sion no sera en general posible dado que la repre-sentacion del conocimiento empleada en estos dosmodelos de alto nivel es muy adecuada para fun-damentar la comunicacion con el operador.

Tecnicas

Bases de datos.

Bases de conocimiento.

Modelado multiresolucional.

Simulacion continua.

Simulacion cualitativa.

Sistemas basados en el conocimiento.


Redes.

7.4.8. CONEX-CI: Control Inteligente

Mision

CONEX-CI es el modulo de control inteligentede CONEX, debiendo generar patrones de actua-cion para CONEX-CD.

Descripcion general

Es un sistema de control basado en el conoci-miento, con requerimientos debiles de operacionen tiempo real. Para generar las estrategias de con-trol utiliza dos tipos de mecanismos:

El primero es control basado en reglas, para elque se emplea una base de conocimiento decontrol obtenida del operador de la plantay una base de conocimiento de metacontrol,que es independiente de la planta.

El segundo es control basado en modelos, en elque la determinacion de las actuaciones po-sibles se hace en base al modelo estructu-ral/funcional del proceso y a reglas generalesde determinacion de acciones de control.

Este sistema esta estructurado en niveles y ba-sado en logica borrosa, determinando patrones deactuacion en los que se especifican los valores paralas variables de control ası como los reguladoresmas adecuados en funcion del estado del proce-so. La deteccion de patrones de cambio en senalesdel proceso —por parte del monitor— producen ellanzamiento del controlador inteligente en lo quese denominara una tarea. El sistema de gestion detareas del controlador inteligente debe tener las si-guientes caracterısticas:

Debe permitir la ejecucion multiple, nece-saria para la resulicion de varios problemas,permitiendo el uso de diferentes bases deconocimiento bases de conocimiento descom-puestas para facilitar la focalizacion de la ta-rea de resolucion de problemas.

Debe existir un metodo de interrupcion de ta-reas (ejecuciones del sistema experto) en fun-cion de prioridades.

Debe poder realizar razonamiento temporallo que supone manejar secuencias de estados(Historias de variables):

• Debe disponer de suficiente potencia decalculo en los diferentes niveles de abs-traccion (calculo cualitativo y cuantitati-vo).

• Deben existir mecanismos de focaliza-cion con orientacion episodica.

• Debe incorporar metodos adecuados deolvido.

Los contextos multiples son necesarios en al-gunas tareas de razonamiento hipotetico.

• Hipotesis de faltas.• Simulacion de acciones de control.

El controlador inteligente dispone de variasfuentes de conocimiento para la determina-cion de acciones de control:

121


Figura 7.12: CONEX-CI: Control Inteligente

122


• La base de conocimiento de metacon-trol. Que es independiente del procesocontrolado.

• La base de conocimiento de control es-pecıfica del proceso.

• El modelo, que es tambien especıfico.

• La base de conocimiento para controlbasado en modelos.

• Los hechos, procedentes de CONEX-MS.

La determinacion de patrones de actuacionpuede concluir en un conjunto de varios patronesposibles, o en patrones singulares pero con bajaconfianza, por lo que un elemento importante delcontrolador inteligente es el evaluador de actua-ciones, que permitira determinar la bondad de undeterminado patron de actuacion.

Tecnicas

Inteligencia artificial.

Sistemas expertos.

Razonamiento temporal.


Redes.

7.4.9. CONEX-IU: Interfase de Usuario

Mision

CONEX-IU es la interfase de usuario deCONEX. Sirve de medio de comunicacion con eloperador y con el ingeniero de planta.

Descripcion general

Es el sistema encargado de la comunicacion conlos usuarios del sistema, tanto operadores comoingenieros de planta e ingenieros de sistemas. Elsistema debe disponer por ello de interfases multi-ples/usuarios multiples:

Menus/Graficos.

Lenguaje natural.

Interprete de comandos.

A pesar de que un sistema experto de controlmejora sobremanera la robustez del control, lasrazones de seguridad se seguiran imponiendo, yla presencia del operador seguira siendo necesa-ria. Por ello es preciso que la interfase de ope-rador sea mejorada de forma sustancial respec-to a las ahora existentes. La ventaja de este tipode sistemas se presenta no solo en la direccionSISTEMA→OPERADOR, sino tambien en la con-traria, ya que este OAN realiza una serie de fun-ciones de utilidad para la robustez y operabilidaddel sistema. Entre ellas destacan:

Interpretacion de datos de bajo nivel para lapresentacion de los mismos.

Validacion de las ordenes del operador, si espreciso solicitando evaluaciones a CONEX-EA.

Gestion de dialogos en lenguaje natual res-tringido.

La posibilidad de manejar contextos multiplesdebe permitir al sistema contestar a preguntas dela forma ¿ Que pasarıa si.... ?. Ademas la estructu-ra de conocimiento multinivel permite que el ra-zonamiento en estos contextos se desarrolle a dife-rentes niveles de abstraccion, con la consiguientediferencia de costo computacional.

Entre los elementos fundamentales que consti-tuyen esta interfase cabe destacar tres:

El modulo de comunicacion con el operador,basado en lenguaje natural y con un sistemade gestion de dialogos orientado a las tareasde control.

El modulo de supervision de actividades deloperador. Este utiliza a CONEX-EA para de-terminar los efectos, en terminos de objetivosglobales, que van a tener sobre el sistema lasacciones ordenadas por el operador.

El modulo de interpretacion cualitativa de da-tos de bajo nivel. Permitira presentar la infor-macion sobre el proceso al usuario de forma

123


Figura 7.13: CONEX-IP: Interfase de Usuario

124


que se minimize la sobrecarga cognoscitiva deeste.

El sistema de comunicacion con el operador seencargara de manejar el dialogo con el operador.Para ello utilizara tres modos de comunicacion:

Graficos: La interfase grafica se basa en una repre-sentacion esquematica del proceso. Medianteella se puede acceder —con un mecanismo deposicionamiento (raton, lapiz optico, etc)— adiferentes elementos, y seleccionar las opera-ciones permisibles sobre ellos de un menu.

Lenguaje natural: Una interfase en lenguaje natu-ral, restringido a actividades de control per-mitira la gestion integral del sistema. La inter-fase grafica debe permitir realizar las opera-ciones rutinarias, mientras que esta debe darsoporte para todas aquellas operaciones querequieran de un conocimiento detallado delproceso a seguir.

Lenguaje de comandos: Se implantara tambienuna interfase mediante un lenguaje de coman-dos para actividades de expertos en el siste-ma.

Todas las interfases realizaran una traduccion aun lenguaje interno, del que la interfase basada enlenguaje de comandos sera la representacion exter-na. Este lenguaje interno es el que se empleara enlas comunicaciones interprocesos.

Los datos procedentes del proceso son valoresN, Q o K que se deben interpretar por el operadoren base al conocimiento que el operador tiene so-bre el proceso. Esta interpretacion es fundamentalpara la operacion correcta del proceso. Este subsis-tema utilizara la informacion estructural del pro-ceso —que le suministra el modelo— para reali-zar un filtrado e integracion de esa informacion deproceso.

La validacion de ordenes del operador es fun-damental desde dos puntos de vista:

El operador puede cometer errores debido asus errores en la valoracion del estado del pro-ceso.

La comunicacion en lenguaje natural puedeconducir a interpretaciones erroneas del sig-nificado de las frases.

Estos problemas se resuelven utilizando dos ti-pos de mecanismos de seguridad:

Determinacion de ordenes conflictivas . Una or-den es conflictiva cuando su ejecucion va encontra de los objetivos globales. La determi-nacion de la conflictividad de una orden sehace en base a las caracterısticas de la or-den misma hay ordenes intrınsecamente con-flictivas y a los efectos de la misma sobre elproceso. Esta determinacion se hara en basea una peticion de evaluacion de actuacion aCONEX-EA.

Confirmacion de ordenes conflicitivas . Lasordenes conflicitivas seran denegadas o sepedira confirmacion de las mismas en fun-cion del tipo de operador. La confirmacionse llevara a cabo presentado al operador latraduccion a lenguaje natural de lo que haentendido el sistema y pidiendo confirmacionde que esa es efectivamente la orden.

Tecnicas

Lenguaje natural.

Graficos.

Tutores inteligentes.


Redes.

7.4.10. CONEX-EA: Evaluador de ac-tuaciones

Mision

CONEX-EA es el modulo de evaluacion de ac-tuaciones de control de CONEX. Una evaluacionde una actuacion es un juicio sobre los efectos deuna determinada actuacion de control en terminosde objetivos de alto nivel. Esta evaluacion se uti-lizara pa determinar si una actuacion de controldeterminada es aceptable o no.

125


Figura 7.14: CONEX-EA: Evaluador de actuaciones

126


Descripcion general

Este OAN recibe peticiones de evaluacion depatrones de actuacion por parte de diferentesOANs. Los principales clientes de este OAN son:

CONEX-CI, ya que sus tecnicas de determina-cion de actuaciones de control en particularel razonamiento basado en modelos puedenconducir a actuaciones inadecuadas.

CONEX-IU, para determinar los efectos de lasactuaciones de control sobre el proceso y vali-dar ası las ordenes del operador.

La evaluacion de dichos patrones se realizafundamentalmente en dos etapas denominadasevaluacion a priori y evaluacion por simulacion.Estas dos etapas se llevan a cabo en base a:

Un conjunto de reglas ad hoc de evaluacion,que permiten identificar a priori actuacionesde control inadecuadas. Este tipo de actuacio-nes tendran su origen fundamentalmente enel operador o en el control basado en mode-los, ya que el control basado en reglas no tie-ne por que generar actuaciones inadecuadas apriori.

Mediante peticiones de simulacion y analisisdel comportamiento simulado del proceso. Elanalisis y evaluacion del comportamiento sehara en base a mecanismos procedurales dedeterminacion de caracterısticas y reglas deevaluacion de comportamientos en base a di-chas caracterısticas.

La evaluacion del patron se realizara en fun-cion de la satisfaccion de los objetivos globales deCONEX: Seguridad, estabilidad, calidad, produc-cion. Esta sartisfaccion de objetivos depende delestado de la planta, ya que no es lo mismo unaaccion de control durente el funcionamiento nor-mal que durante un proceso de parada. La infor-macion que permite identificar estos diferentes es-tados de control se encuentra contenida en la parteK del modelo de la planta.

CONEX-EA admitira dos tipos de peticiones deevaluacion por los restantes OANs:

Evaluaciones singulares: en las que se eva-luara un solo patron de actuacion. El resulta-do de la evaluacion es un informe de evalua-cion, ponderando la satisfaccion de los objeti-vos globales.

Evaluaciones multiples: en las que se seleccio-nara la mejor alternativa. El resultado sera uninforme de evaluacion para cada alternativaası como un consejo sobre cual es la mas ade-cuada para los objetivos de control actuales.

Los criterios de evaluacion son susceptiblesde reformulacion durante el funcionamiento deCONEX, de forma que se puedan replantear losobjetivos de conduccion mientras se realiza esta.

Tecnicas



Sistemas expertos.

Procesamiento de senales.

Reconocimiento de patrones.

Redes.

7.4.11. CONEX-MC: Monitor deCONEX

Mision

CONEX-MC es el modulo de monitorizacion ycontrol de CONEX.

Descripcion general

CONEX es un sistema software complejo, porlo que son necesarias herramientas para so gestiony operacion. CONEX-MC es esta herramienta, quepermitira conocer el estado del sistema y realizarel control del mismo.

Entre las misiones principales que debe realizarCONEX-MC destacan las siguientes:

127


Figura 7.15: CONEX-MC: Monitor de CONEX

128


CONEX-MC realiza peticiones de status a to-dos los OANs generando una descripcion glo-bal del estado de CONEX.

Monitoriza las comunicaciones, haciendo es-tadısticas que permitan disenar mejoras al sis-tema.

Realiza el arranque y la parada de CONEX.Lo reconstruye desde un caıda del sistema.

Posibilita la monitorizacion y el control remo-to de CONEX.

Toda la informacion sobre el estado de CONEXse almacena en un fichero del status.

Los status de los OANs se reciben por CONEX-MC en base a listas de clientelas de status implan-tadas por cada uno de los OANs. CONEX-MC escliente de todas ellas por lo que cualquier modifi-cacion de los status de los OANs resulta en una re-mision de un mensaje de status del OAN en cues-tion a CONEX-MC.

Tecnicas



Redes.

7.4.12. CONEX-IE: Interfase Externa

Mision

CONEX-IE es la interfase externa de CONEX,sirviendo de medio de comunicacion con elemen-tos externos a CONEX.

Descripcion general

CONEX-IE proporciona un medio de accesodesde el exterior a los OANs de CONEX, median-te un interfase externo estandarizado. Este accesodesde el exterior estara controlado mediante listasde autorizacion.

La conexion de salida precisara del desarrollode modulos de interfase con cada sistema externo.

Tecnicas

Estandares de comunicaciones.



Redes.

7.5. Arquitectura Hardware

El sistema esta compuesto por una serie deOANs que intercambian mensajes. Aunque estaarquitectura es independiente de la maquina, elelemento crıtico de la misma es como se reali-zara este intercambio de mensajes. El medio masclaro de realizar el soporte de este mecanismo esmediante un sistema de red.

La red proporciona un medio de intercambiocomun entre todos los OANs, lo que tiene una se-rie de ventajas:

Simplicidad de desarrollo ya que el acceso alos medios de comunicacion es estandar, porlo que todos los objetos haran uso del mismomecanismo, lo que facilita y reduce el tiempode desarrollo.

Simplificacion de las comunicaciones, comoes el caso de los mensajes globales, que conun sistema de red tiene la misma complejidadque los mensajes individuales.

Adecuacion HW/SW, dado que todas lascomunicaciones se realizan a traves de la redel unico requerimiento de un OAN es teneracceso a dicha red, por lo que puede residiren cualquier maquina, de forma que la distri-bucion de OANs se puede hacer de la maneramas eficiente para obtener un maximo rendi-miento de los recursos hardware.

Facilita el desarrollo de arquitecturas toleran-tes a fallos, al permitir de forma simple la re-dundancia de equipos y procesos.

La optimizacion de funcionamiento del siste-ma conduce a la necesidad de implantar una ca-pa de comunicacion CONEX (CCC) situada entre los

129


OANs y el software de red de la maquina de for-ma que se acelere la interaccion entre OANs de lamisma maquina.

7.6. Valoracion de la Arquitectu-ra

En este capıtulo se ha presentado una arqui-tectura de control que presenta niveles de opera-cion diferenciados. Es una arquitectura jerarquicaen la que se pueden apreciar tres grandes nivelesde operacion:

Nivel de control directo.

Nivel de control experto basado en represen-taciones avanzadas de conocimiento.

Nivel de control supervisor por parte de unoperador humano.

Como vemos el sistema es en realidad un siste-ma de control supervisor con dos bucles de supervisionsuperpuestos. Esta estructura esta derivada de la delcontrol supervisor clasico, en la que el bucle super-visor se descompone en dos: uno realizado por elhumano —analogo al existente— y otro obtenidopor extraccion e implantacion en un computadorde determinadas funciones realizadas por el hu-mano.

El sistema de control propuesto se basa en unaarquitectura distribuida, tanto funcional como es-pacialmente. Desde el punto de vista funcionalla arquitectura es identificable como un sistemablackboard, en el que diversos elementos con fun-ciones diferenciadas interaccionan a traves de undeposito comun de informacion. Los diferentessubsistemas se construyen utilizando programa-cion orientada a objeto, y la comunicacion entreellos se lleva a cabo a traves del blackboard o me-diante paso directo de mensajes.

En la actualidad existen sistemas ya desarrolla-dos correspondientes a cada uno de los modulosempleados en CONEX, sin embargo de la integra-cion de todos ellos se espera conseguir un efectode sinergia que aumente sobremanera la potencia-lidad del sistema completo.

El enfoque modular —funcional y fısico— pro-puesto se ha disenado de forma que posibilite unaserie de puntos:

Desarrollo independiente de los subsistemas.

Escalabilidad.

Fiabilidad, disponibilidad y mantenibilidad.

7.6.1. Desarrollo independiente de lossubsistemas

Esta arquitectura posibilita el desarrollo inde-pendiente de los subsistemas. Para ello es preciso,no obstante un etapa inicial de analisis y especifi-cacion de las interfases entre los mismos, tanto anivel hardware como software.

Una vez establecidos las interfases se puede in-dependizar completamente el desarrollo, pudien-do incluso realizarse versiones multiples de lossubsistemas, que se utilizaran despues como re-dundancias o entre las que se seleccionara la masidonea.

7.6.2. Escalabilidad

La potencia y aplicabilidad del sistema radi-ca esencialmente en la implantacion de funcioneshasta entonces realizadas por el operador. Los re-querimientos de potencia de computo para el de-sarrollo de ese tipo de actividades son difıciles deestablecer a priori.

Ademas del exito de una primera y restringidaaplicacion de un sistema de este tipo puede condu-cir a una ampliacion de los objetivos de control, enel sentido de automatizar la operacion del procesoen situaciones previamente gestionadas de formamanual. Estos dos factores —impredecibilidad dela potencia necesaria y ampliacion de objetivos—hacen necesaria la escalabilidad del sistema decontrol.

El uso de una arquitectura blackboard, con pasode mensajes, sobre una red de area local posibilitala inclusion inmediata de nuevos subsistemas, queincorporen nuevas funciones o que proporcionenpotencia de computo adicional.

130


7.6.3. Fiabilidad, disponibilidad ymantenibilidad

Los objetivos RAM, fiabilidad, disponibilidady mantenibilidad son mas asequibles dentro delmarco de un sistema modularizado, sobre todocuando se ha utilizado un enfoque de programa-cion orientada a objetos [Sanz 89].

La fiabilidad del sistema es:

Por una parte mejorable en desarrollo, ya quela verificacion del software orientado a obje-tos es mucho mas factible. Al estar los inter-fases de cada clase perfectamente definidosla verificacion se reduce a un metodo, quesera por lo general simple.

Por otra es intrınsecamente mayor, ya que elfallo en uno de los subsistemas no implicanecesariamente el fallo en los demas, aunqueexistiran una serie de dependencias que limi-taran la funcionalidad de dichos subsistemas.

Por otra mejorable en operacion, sin mas queintroducir nuevos subsistemas redundantes yseguir polıticas de votacion.

La disponibilidad del sistema es mayor, ya quela modularizacion y la orientacion a objeto facili-tan la deteccion y reparacion de los problemas.

La mantenibilidad es con mucho el factor quese ve mas potenciado con el uso de programacionorientada a objeto. La independencia y reutilizabi-lidad del codigo es un de los factores mas carac-terısticos de este tipo de programacion. La funcio-nalidad de un subsistema es incrementable sin queesto suponga alteracion de los restantes subsiste-mas, siempre que las interfases entre los mismosse respeten.

131

Capıtulo 8

Control de Hornos de Clinker

Yo aun dirıa mas . . .

HergeTintın y los Pıcaros, 1976

8.1. Introduccion

En este capıtulo se presenta un bosquejo de unaaplicacion basada en la arquitectura CONEX: elsistema C2G. El objetivo que se pretende conse-guir con este desarrollo es dual:

Objetivo industrial: desarrollar un sistema decontrol avanzado para plantas de produccionde cemento.

Objetivo tecnico: determinar la aplicabilidadde dicha arquitectura de control a un procesocontinuo que ha presentado tradicionalmenteproblemas de control.

8.2. Caracterısticas del proceso

El proceso que se pretende controlar es un sub-proceso de fabricacion de cemento: el horno. Estesubproceso es, con diferencia, el que presenta masproblemas para su control.

8.2.1. Plantas de produccion de cemen-to

El cemento se produce en plantas de produc-cion continua por medio de reacciones de descar-bonatacion y sinterizacion que generan una serie

de minerales que en el producto final, el cemento,reaccionan con el agua formando cristales de grandureza.

Este proceso productivo tiene un gran consu-mo energetico, dado que hay que realizar proce-sos fısicos que requieren gran cantidad de energıay procesos quımicos que requieren alta temperatu-ra.

El proceso general de produccion es el siguien-te:

1. Preparacion del material: Extraccion del ma-terial —fundamentalmente caliza— de can-teras, trituracion y mezcla para obtener unacomposicion suficientemente homogenea. Almaterial obtenido se le denomina prehomo.

2. Molienda de crudo y homogeneizacion: Laprehomo se muele en un molino de bolas paraobtener un material pulverulento denomina-do crudo. Este material se somete a un proce-so de homogeneizacion en silos para mejorarla estabilidad de la composicion. Al materialde salida se le denomina crudo.

3. Coccion: El proceso de coccion permite rea-lizar las reacciones quımicas necesarias en elcrudo para que se produzcan los mineralesque debe tener el cemento. El material de sa-lida del horno se le denomina clinker.

4. Molienda de cemento: El clinker, en forma debolas en torno a 1 cm de diametro es molidoen un molino similar al utilizado para el cru-do. El resultado de la molienda es el cemento,que se ensaca o se introduce en silos para suventa a granel.

132

Capıtulo 8. Control de Hornos de Clinker

De todos los procesos mencionados anterior-mente, el horno es el que presenta mas proble-mas para su control. De hecho los restantes pro-cesos estan bastante automatizados. En particularel autor ha desarrollado un sistema de control con-vencional de aplicacion a molinos, tanto de crudocomo de cemento. Este sistema ha sido objeto deulterior desarrollo por parte de una empresa delsector y se comercializa en la actualidad como unpaquete cerrado.

8.2.2. Hornos de Cemento

En una planta de produccion de cemento elhorno es, sin duda, el punto mas crıtico y en mu-chas de ellas el cuello de botella que limita la pro-duccion.

Los hornos de clinker son de varios tipos, uti-lizando varios tecnologıas de coccion diferentes,pero la que presenta mayor importancia es la de-nominada de vıa seca, ya que es la mas adecuadadesde el punto de vista energetico-economico.

En este tipo de proceso la coccion del crudo pa-ra producir el clinker se realiza en tres etapas:

1. Un intercambiador, en el que se realizaun precalentamiento y una descarbonatacionparcial del material utilizando gases de etapasposteriores.

2. El horno propiamente dicho, en el que se fina-liza la descarbonatacion y se realiza la cocciondel material.

3. Un enfriador, en el que se realiza una reduc-cion rapida de temperatura del material coci-do.

Estas tres etapas estan fuertemente acopladas,ya que en ellas se tienen dos flujos opuestos: unode material solido y otro de gases en contraco-rriente, lo que dificulta enormemente su control.Ademas en este tipo de procesos suele emplear-se precalcinacion, que es una inyeccion y quemade combustible en el intercambiador, de forma queparte del proceso quımico se produzca en esta eta-pa.

El proceso que sufre el material es el siguien-te. El material crudo pulverizado entra en el in-tercambiador, donde se calienta utilizando los ga-ses de salida del horno hasta una temperatura ele-vada, produciendose una descarbonatacion par-cial. El material entra en el horno donde sufredos transformaciones. La primera supone la con-clusion de la reaccion de descarbonatacion. La se-gunda reaccion es una reaccion de sinterizacion,en la que se generan los minerales que componenel clinker. La reaccion de descarbonatacion es en-dotermica, por lo que precisa de aporte de energıa;sin embargo la de sinterizacion es exotermica, aun-que precisa de una alta temperatura para que ten-ga lugar. La temperatura adecuada se logra pormedio de un combustible —habitualmente carbonpulverizado— que se quema en una corriente deaire —aire primario— que se inyecta en el horno.El material sale del horno a una temperatura cer-cana a los 1000◦, siendo preciso un enfriamientorapido del mismo en la tercera etapa, el enfriador.En esta etapa se emplea aire frio —a temperaturaambiente— para enfriar los granulos de clinker. Elenfriamiento debe ser rapido para que el clinkertenga las propiedades quımicas adecuadas para elcemento y fısicas que faciliten la molienda. A es-te enfriamiento rapido se le denomina templado.El aire empleado en el enfriador pasa en parte alhorno, recibiendo la denominacion de aire secun-dario. Tambien es posible utilizar parte de este ai-re caliente en el intercambiador, lo que se conocecomo aire terciario.

8.2.3. Problemas de control

El control de este proceso es complejo por lossiguientes aspectos:

No es un sistema simple sino que son tressistemas fuertemente acoplados: intercambia-dor, horno, enfriador.

No existen buenos modelos del proceso, yaque es un proceso con mucha variabilidad —solidos en suspension a altas velocidades porconductos rugosos.

La medicion de variables es difıcil debido alas condiciones de temperatura, polvo, ero-sion, etc.

133


Figura 8.1: Estructura basica de un horno de clinker para fabricacion de cemento.

134


La reaccion en el horno es asimetrica. En con-diciones de funcionamiento estacionarias lareaccion de sinterizacion proporciona partedel calor que precisa la de descarbonatacion,por lo que una pequena caıda de temperaturaen la zona de sinterizacion produce un efectoen cadena que puede apagar el horno.

8.2.4. Desarrollos actuales

En la actualidad existen multiples sistemas deconduccion automatica de hornos. Los sistemasclasicos han dado resultados mas bien pobres,siendo los sistemas basados en el conocimiento losque han obtenido mejores resultados. Entre elloscabe destacar:

Los sistemas FUZZY de F.L. Smidth y Link-Man de Sira Ltd. son sistemas de control ba-sado en reglas borrosas.

Los sistemas KALHAS y FAROS, desarrolla-dos por el grupo cementero griego Heracles.

El sistema experto de control de hornos de In-dustar.

Los resultados obtenidos con estos sistemashan sido moderadamente buenos, aunque preci-san de una supervision practicamente continuapor personal especializado para su funcionamien-to. Consiguen operacion bastante estable gestio-nando un numero muy limitado de circunstanciasanormales.

8.3. Sistema de Control de Hor-nos

La aplicacion que presenta de manera someraen este capıtulo se esta desarrollando en la fechasen que esta tesis ve la luz. Esta aplicacion es un de-sarrollo conjunto entre una empresa del sector y eldepartamento en que se he realizado este trabajo.Esta aplicacion tiene como objetivo el control delsubproceso mas crıtico de una planta cementera:

el horno. El sistema de control inteligente de hor-nos se integrara con los sistemas de automatiza-cion actualmente existentes en la planta, haciendouso de los mecanismos que estos provean.

8.3.1. Objetivos

El objetivo fundamental que se persigue con es-te desarrollo es el de obtener un sistema que per-mita la conduccion automatica de hornos con unadisponibilidad cercana al 100 %.

Esto supone que el sistema debe manejar unaserie de circunstancias anormales que suceden enlos hornos de clinker pero que no impiden sucorrecto funcionamiento. Estas circunstancias sederivan de las condiciones especiales del proceso:variabilidad de materiales de partida, temperatu-ras crıticas, fuertes erosiones, etc.

8.3.2. Arquitectura Software

La arquitectura software del sistema es la ar-quitectura CONEX, sobre la que se realizan parti-cularizaciones para este proceso.

El interfase de proceso es un punto crucial enesta aplicacion, dado que el proceso tiene todas lascaracterısticas no deseadas que lo hacen necesario:

Ruidos: El accionamiento de la mayorıa de lossistemas de proceso se realiza por medio demotores electricos de gran potencia, que indu-cen ruidos electricos.

Variabilidad sensorial. El proceso se lleva acabo en una suspension de solidos en gases,con flujos a altas velocidades que ocasionanturbulencias que dificultan las medidas esta-bles.

Anomalıas de funcionamiento de sensores,debido a las condiciones de medida. Las altastemperaturas hacen que se formen pegadurasen los termopares, lo que impide una medidacorrecta, ya que aumenta la inercia termica dela sonda.

Deterioro de sensores. Los materiales en sus-pension a altas velocidades son muy abrasi-

135


vos, por lo que los elementos sensoriales su-fren unos desgastes importantes.

Variables ocultas. Las condiciones del procesohacen muy difıciles las medidas, cuando noimposibles. La medida de temperatura en lazona de sinterizacion es quiza la mas impor-tante de todas, pero sin embargo es practica-mente imposible realizara con un mınimo degarantıas. La temperatura en dicha zona ron-da los 1400◦ centıgrados, por lo que es practi-camente imposible situar ningun elemento demedida. Los pirometros opticos se ven muyafectados por el polvo, sobre todo en proce-sos en vıa seca, siendo su medida de muy bajacalidad. Es preciso realizar una obtencion in-directa de dicha temperatura a partir de otrascomo son el peso por litro del clinker, las con-centraciones de NOx en las salidas de gases oel par del accionamiento del horno.

Los sistemas de control de bajo nivel se encar-gan del control de varios bucles simples en el siste-ma. Estos controles directos se implantan median-te PIDs en los mas simples, control adaptativo enotros con mas problemas como es el caso del con-trol de velocidad de las parrillas del enfriador, ycontrol basado en reglas borrosas que se empleaen los casos mas complejos, como es el del propiohorno.

El monitor se basa en patrones establecidos porel experto de proceso y particularizados para laplanta por los ingenieros y operadores de la mis-ma. Estos patrones son esencialmente pocos, yaque las situaciones anormales en que se debe se-guir en operacion o que se pueden recuperar sonbastante pocas.

Las reglas de alto nivel se extraen de un exper-to de proceso, ası como de expertos de la plantaparticular para la que se desarrolla la aplicacion.El sistema experto de control basado en reglas seimplanta por medio de una herramienta comercialde desarrollo de sistemas expertos de control. Es-ta herramienta, G2, proporciona unos mecanismosde construccion adecuados a plantas de parame-tros concentrados, por lo que es preciso realizarun desarrollo compartamental del modelo. El ra-zonamiento basado en modelos se aplica funda-mentalmente en modo no automatico, sugiriendo

al operador alternativas de control en una situa-cion dada. Este modulo de razonamiento se desa-rrolla en un lenguaje independiente, orientado aobjetos, para facilitar su reutilizacion y adaptaciona otros sistemas.

El modelo se estructura en los tres niveles deCONEX, realizandose el modelo N en terminos deecuaciones diferenciales segun el formalismo em-pleado por un sistema de simulacion convencional(ACSL).

El simulador para esta aplicacion esta divididoen los niveles Q y N. No se hace uso de simulacionbasada en el conocimiento. El simulador N es eneste caso el que lleva la mayor parte de la carga deevaluacion dado que este simulador se desarrollaa partir de versiones anteriores desarrolladas porel mismo equipo con lo que se espera lograr muybuenos resultados. El simulador Q tiene como mi-sion principal su uso en la interaccion con el ope-rador.

Los servicios de cara al operador que suminis-tra esta aplicacion no se reducen a una mera pre-sentacion de datos, sino que el sistema efectiva-mente validara las ordenes del operador en basea una valoracion de los efectos de las mismas. Elmodulo de lenguaje natural es muy reducido, li-mitandose a una gramatica sencilla y a un lexicoreducido al tipo de aplicacion. No se pretende de-sarrollar el interfase hasta sus ultimas consecuen-cias porque la necesidad de intercambio de infor-macion entre el operador y el sistema de control eslimitada.

8.3.3. Arquitectura Hardware

El sistema corre sobre dos maquinas conecta-das en red. Una de ellas es la encargada de so-portar las tareas de alto nivel —interfase de ope-rador, razonamiento basado en modelos, razona-miento basado en reglas— mientras que la otra so-porta la comunicacion con el proceso y las tareasde bajo nivel —interfase de proceso, monitor, con-trol directo. De este modo el sistema puede operarcomo un sistema de control mas o menos clasicocuando aparezcan circunstancias que impidan laoperacion de la maquina de alto nivel. Estas cir-cunstancias estaran asociadas al software en dos

136


Control de Horno

Control de Torre

Control de Enfriador

Ventilador Exhaustor Alimentación Velocidad Parrillas Ventilador de

Equilibrio

Control de Tubo

Figura 8.2: Parte de la jerarquıa de controles del horno de cemento.

formas:

Problemas: ya que pueden aparecer errores sof-tware, mas difıciles de detectar en las aplica-ciones de alto nivel por ser aplicaciones basa-das en inteligencia artificial.

Mantenimiento: Ya que la aplicacion debe ser ac-tualizada, dado que las plantas no son estati-cas, sino que sufren modificaciones casi con-tinuas y ademas el conocimiento que se ob-tenga de la planta a traves del uso del sistemapermitira mejorar el conocimiento implanta-do en el sistema de control inteligente.

Los equipos elegidos para estas dos funcionesson dos estaciones de trabajo VAXstation 3100. Laconexion entre ambos equipos se realiza por me-dio de una red Ethernet, dado que la temporalidaddel proceso y la baja carga de la red no obligan autilizar una red determinista como ARCNET.

El sistema se implanta sobre los sistemas decontrol previos de la planta, realizando la comu-nicacion con ellos de acuerdo con las prestacionesde los mismos. Para sistemas de control supervi-sor modernos se empleara comunicacion median-te red, mientras que para sistemas convencionalesbasados en PLCs se emplearan lıneas serie dedica-das.

8.4. Resultados esperados

Los resultados que se esperan de la introduc-cion de este sistema de control en la planta son lossiguientes:

Un aumento de la estabilidad de operacionque redundara tanto en los resultados que secomentan a continuacion como en una dismi-nucion de los problemas de mantenimiento.

Un aumento de la calidad del producto, yaque se mantendran mas controlados los as-pectos que la determinan, en particular latemperatura de la zona de sinterizacion.

Un aumento de la produccion del horno, yaque el funcionamiento estable permitira laconduccion del horno en condiciones mas cer-canas al lımite.

Una disminucion del consumo de combusti-ble, ya que el control continuo garantizara laestabilidad cerca del lımite termico, por lo quese reducira la necesidad de llevar el horno so-brecalentado para evitar caıdas de temperatu-ra y apagado de horno.

No se pretende conseguir una reduccion depersonal —al menos de control— dado quelas caracterısticas del proceso no permiten

137


garantizar completamente un funcionamien-to autonomo. Ademas el sistema precisara depersonal especializado para su mantenimien-to y actualizacion.

138

Capıtulo 9

Conclusiones

Los sistemas inteligentes de control se reducenen la actualidad a dos tipos: sistemas que estancontrolando algun proceso industrial y sistemasque no lo estan haciendo. En ambos casos hay unaserie de caracterısticas generales que merece la pe-na destacar:

Sistemas de control operativos: Son aplicacionesmas o menos directas de la tecnologıa de siste-mas expertos, con modificaciones orientadasa su funcionamiento en tiempo real. Este enfo-que esta esencialmente basado en reglas, pu-diendo incluir especıficamente tecnicas masavanzadas como pueden ser el uso de tecni-cas borrosas o razonamiento no monotonico.

Sistemas de control experimentales: En desarro-llo en laboratorios de investigacion, por logeneral universitarios, en los que se mane-jan mundos de juguete, tratando de desarrollartecnicas utilizables en control real. Este tipode sistemas implantan tecnicas mucho masavanzadas que los anteriores.

Cabe destacar el esfuerzo que se esta realizan-do dentro de programas de investigacion, en pro-yectos que tratan de desarrollar las metodologıasavanzadas que se han venido comentando en estatesis y de utilizarlas en aplicaciones reales.

9.1. Aportaciones de esta tesis

Las aportaciones de esta tesis se pueden plan-tear —en cierta medida— como una fundamenta-cion teorico-practica que permite el traslado de las

tecnicas avanzadas a aplicaciones reales, ya que sepresenta en ella una arquitectura de control orien-tada a la aplicacion real de la misma —de hechomientras se escribe esta tesis se esta desarrollandouna aplicacion basada en dicha arquitectura.

Esta arquitectura supone un acercamiento a lasolucion de los siguientes problemas:

Realizacion efectiva de sistemas inteligentes decontrol en tiempo real, en base a una descompo-sicion y jerarquizacion funcional de sistemasde proceso de informacion de acuerdo con elprincipio de inteligencia creciente con veloci-dad decreciente. Ello hace posible utilizar tec-nologıas como la de sistemas expertos en apli-caciones de control de procesos que requierande una elevada velocidad de operacion.

La integracion de paradigmas de control diferen-tes, basados en diferentes metodologıas decontrol, en base a la jerarquizacion funcionalde los sistemas construidos con dichos para-digmas. La utilizacion de paradigmas diferen-tes es necesaria desde dos puntos de vista: a)la necesidad de operacion en tiempo real, queobliga a utilizar metodos rapidos y b) la nece-sidad de manejar informacion abstracta, queobliga a emplear tecnicas de inteligencia arti-ficial.

La utilizacion de informacion de planta disponi-ble en distintos niveles de abstraccion, ya la exis-tencia de varios paradigmas de control per-mite hacer uso de todo tipo de informacionsobre el proceso. Esto es de importancia cru-cial, ya que los sistemas de captacion traba-jan en un nivel de abstraccion practicamente

139


mınimo mientras que las estrategias de con-trol de situaciones anormales se plantean enterminos de estados del proceso establecidosen terminos muy abstractos.

La existencia de una fuente coherente de informa-cion del estado de la planta, capaz de suministrarinformacion en diferentes niveles de abstrac-cion. Esta fuente esta constituida por el mode-lo multiresolucional del proceso. Esta fuentesuministra informacion sobre: a) el estado dela planta en diferentes niveles de abstraccionb) la estructura de la planta para utilizarla enrazonamiento basado en modelos c) la evolu-cion historica de la planta y d) prediccionessobre el comportamiento de la misma frente aacciones de control.

La integracion de mecanismos procedurales juntocon mecanismos de razonamiento simbolico, quepermite lograr operatividad en tiempo real eimplantar conocimiento procedural sobre laoperacion del proceso.

La utilizacion de informacion de expertos en ope-racion, en proceso y en control de forma inte-gral. Informacion que permite utilizar cono-cimiento operacional, estructural-funcional yprocedural en el control del proceso. En sis-temas expertos convencionales la informacionutilizada es exclusivamente la de los operado-res —expertos en operacion— cuando la in-formacion que suministran los ingenieros deproceso es fundamental para realizar una va-loracion correcta del estado de la planta.

La reutilizabilidad de sistemas de control adapta-dos a la planta, ya que el conocimiento sobreel proceso esta en forma de bases de conoci-miento convencionales y en particular en for-ma de modelo multiresolucional.

La seguridad y fiabilidad del controlador, que esde especial importancia en el caso de con-trol basado en inteligencia artificial. El razo-namiento basado en modelos, la evaluacionde actuaciones y la integracion del operadoren el sistema permite aumentar la robustezdel controlador basado en inteligencia artifi-cial.

La apertura del sistema de control, de forma quesea factible la comunicacion desde y hacia el.Esta comunicacion se basa en el mecanismode comunicacion entre objetos de alto nivel.

La facilidad de incorporacion de nuevas funcionesa un sistema ya existente, ya que la estructurade los objetos de alto nivel, ası como el meca-nismo de comunicacion entre los mismos per-mite el desarrollo de nuevos elementos sof-tware directamente integrables con una apli-cacion de control construida con la arquitec-tura CONEX.

9.2. Desarrollos futuros

Para la redaccion de este capıtulo final fue pre-ciso analizar los posibles desarrollos futuros aso-ciados a esta tesis, encontrandose el autor con unasituacion de horizonte infinito —dimension de loque queda por hacer.

Ante este estado de cosas —enormidad del tra-bajo a realizar— cabe preguntarse si el trabajo rea-lizado ha sido suficiente. Es opinion personal queel formular el metodo de control a utilizar sirve degran ayuda a la hora de dirigir los posteriores tra-bajos en el area, y de hecho, a raız de los desarro-llos llevados a cabo en esta tesis se esta formandoun grupo de trabajo en el area de un tamano im-portante.

Intentaremos situar los trabajos llevados a caboen esta tesis en el marco de los posibles desarrollosen este area, tratando de indicar que dichos traba-jos han sido en parte necesarios, en parte aconseja-bles y en parte exploratorios.

Clasificaremos los desarrollos futuros deriva-bles de esta tesis en tres grupos:

Necesarios: Son aquellos sin los cuales este traba-jo no tiene ninguna utilidad. Entre estos desa-rrollos cabe destacar:

Desarrollo de tecnicas fundamentales dela arquitectura que posibiliten la implan-tacion de la misma.

Desarrollo de aplicaciones basadas en es-ta arquitectura, de forma que se genere

140

Capıtulo 9. Conclusiones

una realimentacion que permita su me-jora.

Aconsejables: Desarrollos que pueden resultareconomicamente interesantes desde el puntode vista de el uso de este tipo e controles y de-sarrollos orientados en profundizar en la fun-damentacion teorica de este tipo de sistemas.

Desarrollo de entornos de construccionde sistemas inteligentes de control. En laactualidad, a raız de los desarrollos aso-ciados a esta tesis se esta llevando a caboun estudio de la necesidad de desarro-llar un entorno para desarrollo de aplica-ciones de control basadas en esta arqui-tectura. En este entorno se incluiran des-de elementos preconstruidos hasta he-rramientas de desarrollo.

Construccion de motores de inferenciaen tiempo real, tanto conclusivos comoprogresivos.

Herramientas de simulacion de sistemascontinuos embebibles.

Simulacion cualitativa de sistemas distri-buidos.

Exploratorios: Destinados fundamentalmente aincluir otras tecnologıas en el campo de con-trol inteligente.

Utilizacion de redes neuronales para de-terminacion del estado de la planta (eta-pa de valoracion de la situacion).

Inclusion de mecanismos de aprendizajepara la mejora de modelos o el estableci-miento de patrones.

En la actualidad se estan llevado a cabo desa-rrollos en todos los grupos mencionados, bien enla forma de proyectos fin de carrera, bien comoproyectos industriales y posiblemente como tesisdoctorales.

141

Apendice A

Criterios de aplicacion del controlinteligente en procesos industriales

Ante la complejidad del problema de decidirque tecnologıa de control emplear, se nos planteala pregunta . . .

¿ES ESTE PROBLEMA DE CONTROL ADE-CUADO PARA USAR TECNICAS DE CONTROLINTELIGENTE?

El siguiente cuestionario proporciona algunaspistas para decidir sobre la adecuacion o no deluso de un sistema inteligente de control en su casoparticular.

¿Ha intentado controlar su proceso con medios clasicoshabiendo fracasado, o ha obtenido resultados muy po-bres?

Si [ ] No [ ]

¿Tiene su proceso complejidad terciaria?

Si [ ] No [ ]

¿El estabilizar la operacion del proceso o aumentar lige-ramente su rendimiento serıa muy rentable?

Si [ ] No [ ]

¿Hay alguien capaz de controlar el proceso?

Si [ ] No [ ]

¿Esta dispuesto a confiar en un sistema inteligente decontrol?

Si [ ] No [ ]

Si se contestan afirmativamente a todas las pre-guntas el caso es adecuado para intentar el desa-rrollo de un sistema de control inteligente. Cadauna de las preguntas trata de caracterizar uno delos aspectos fundamentales del control inteligente.Estos aspectos son los siguientes:

Los sistemas de control inteligentes puedenhacer frente a problemas de control inaborda-bles con enfoques clasicos.

Permiten controlar a pesar de las dificultadesde modelado del proceso.

Su coste de desarrollo es muy elevado.

Como todos los sistemas basados en el conoci-miento precisan que alguien aporte este cono-cimiento.

Su funcionamiento es de difıcil comprension,aun utilizando justificacion.

142

Apendice B

Glosario

En este glosario se recogen las acepciones conque se usan una serie de terminos importantes enesta tesis. En algunos de ellos se incluye el terminoingles del que procede en la forma I(xxx)1.

B.1. Terminos

Acantilado, efecto: Se denomina ası a la disminu-cion brusca de prestaciones de un sistema ex-perto ante un problema que cae ligeramentefuera de su ambito de aplicacion. I(cliff effect)

Accion de control: Una accion de control es unavaloracion de una variable de actuacion.

Activacion periodica: Un mecanismo de activa-cion de reglas mediante el cual una determi-nada regla se activa de forma periodica. Estetipo de mecanismo es muy importante en sis-temas de control directo basado en reglas.

Activar: Activar una base de conocimiento es ha-cer que el conocimiento contenido en esa basede conocimiento se utilice en las siguientes in-ferencias. Es una de las posibles acciones quepuede aparecer en el lado derecho de una re-gla.

Actividad de control: Dıcese de una tarea de con-trol directo: cambio de consignas, especifica-cion de reguladores, ajuste de parametros, etc.Las actividades pueden ser instantaneas o es-tar asociadas a intervalos temporales. Activi-dades especiales son la bifurcacion de patro-nes y la actividad vacıa.

1El autor pide disculpas por las posibles discrepancias sobre lacorrecta correspondencia de terminos, respecto a lo establecido porotros autores.

Actuacion: Establecimiento de acciones de con-trol para el sistema de bajo nivel.

Analisis de sensibilidad: Proceso de determinarla variabilidad del comportamiento de un sis-tema debido a pequenas perturbaciones ensus parametros y/ entradas. I(sensivity analy-sis)

Antecedente: Lado izquierdo de una regla.

Atributo: Cada uno de los campos de datosasociados a un objeto. Se utiliza habitual-mente dentro de las representaciones objeto-atributo-valor. En programacion orientada aobjeto se habla de variable de ejemplar (ins-tance variable). Cuando se emplean marcos sehabla de ranuras (slots).

Automatizacion total: Un nivel de automatizacionen el que el humano no tiene ninguna funcion.

Base de conocimiento: Conjunto de informacionque recoge conocimiento sobre un determina-do dominio. Habitualmente ha estado asocia-do a representaciones mediante reglas, aun-que puede estar costruıda en base a cualquierotro paradigma de representacion.

Biblioteca de conocimiento: Cuando se em-plea un esquema de representacion deconocimiento constructivista —por ejemplomodelos— es posible reutilizar las bases deconocimiento, por lo que estas se puedenalmacenar en bibliotecas de conocmiento.

Blackboard: Tipo de estructura de un sistema demanejo de informacion, en el que varios pro-cesadores de informacion toman y deja infor-macion en un deposito comun que se denomi-

143


na blackboard. Se le ha denominado en oca-siones enfoque oportunista para la resolucionde problemas.

Bucle externo: En esta tesis se refiere al bucle decontrol llevado a cabo por encima de otro bu-cle de control, con la mision de supervisar laactividad de este. Por lo general se lleva a ca-bo mediante un humano.

Bucle interno: Bucle de control por debajo de unbucle supervisor y que es objeto de la activi-dad de este.

Casamiento: Proceso de busqueda de valoresque encajan en una determinada expresion.I(matching)

Categorıa focal: Grupo de reglas que se activande forma separada. La descomposicion en ca-tegorias focales permite dividir la base deconocimiento en bases que se seleccionande acuerdo con el proceso de inferencia. Eltermino focal tiene sentido solo en relacion consu uso para referirse a focalizacion espacial(ver clase focal).

Causalidad: Es un tipo de relacion entre varia-bles y cambios de las mismas que va a per-mitir realizar razonamientos sobre el funcio-namiento de del sistema al mas alto nivel.

Clase: Una clase es una estructura abstracta dedatos, en la que incluyen tanto los datos pro-piamente dichos, como una serie de metodosasociados a los mismos; es uno de los concep-tos basicos de la programacion orientada a ob-jeto.

Clase focal: Grupo de reglas que constituyen unabase de conocimiento en un sistema descom-puesto por dominios. Son reglas referidas auna determinada clase de objetos —objetosfocales.

Complejidad de interaccion: Uno de los tres as-pectos de complejidad del proceso menciona-dos en esta tesis. Se refiere a los volumeneselevados de interacciones entre los diferenteselementos del proceso.

Complejidad volumetrica: Uno de los tres aspec-tos de complejidad del proceso mencionados

en esta tesis. Se refiere al numero elevado deelementos del proceso.

Comportamiento: El comportamiento de un sis-tema es la sucesion de estados del mismo. Enocasiones se le denominara historia o evolu-cion.

Conclusion: Parte derecha de una regla.

Concurrente: Se dice que dos pprocesos son con-currentes cuando se ejecutan al mismo tiem-po y realizan intercambio de informacion en-tre ellos.

Conocimiento declarativo: Conocimiento relati-vo a la estructura de algun objeto; es conoci-meinto de lo que es.

Conocimiento heurıstico: Un tipo de conocmien-to basado en la experiencia y fundamentadoen el sentido comun.

Conocimiento procedural: Conocimiento relati-vo a la manera de realizaa algo; es conoci-meinto de como.

Conocimiento profundo: Conocimiento que fun-damenta en mecanismos causales el compor-tamiento de un sistema; en ocasiones se le de-nomina conocimiento causal.

Conocimiento somero: Conocimiento que expre-sa comportamientos sin dar razon de su cau-sa.

Control: Sistema que permite modificar el com-portamiento de otro sistema respecto a su li-bre funcionamiento. Por lo general se enten-dera que el CONTROL trata de que las varia-bles ’interesantes’ del sistema sigan una deter-minada evolucion.

Control clasico: Control llevado a cabo utilizandoexclusivamente tecnicas tomadas de la teorıade sistemas.

Control inteligente: Control que utiliza tecnicastomadas de la inteligencia artificial.

Control inteligente de procesos: Control inteli-gente aplicado a los sistemas industriales deproduccion continua.

144

Apendice B. Glosario

Control supervisor: Control cuyo objetivo es queotro control —control supervisado— se com-porte de manera adecuada.

Demonio: Proceso latente que realiza su funcioncuando se dan determinadas circunstanciassin ser requerido para ello por ningun otroproceso.

Desactivar: Ver activar.

Diagnosis: Proceso de identificacion de unamalfuncion a partir de los sıntomas y de lahistoria de un elemento.

Dirigido por eventos: Dıcese del sistema de ra-zonamiento que actua como consecuencia dela aparicion de determinados sucesos. I(eventdriven)

Disponibilidad: Cualidad o estado de estar dis-ponible. Por lo general en el ambito tecni-co se refiere a la cualidad de un sistema quepermite su reparacion y puesta en funciona-miento en caso de averıa de forma rapida.I(availability)

Ejemplar: Cada uno de los objetos de una deter-minada clase. I(instance)

Encadenamiento hacia atras: Una forma de infe-rencia en que se parte de los hechos a demos-trar, buscando las reglas y premisas que lossatisfagan.

Encadenamiento hacia delante: Una forma de in-ferencia en que se parte de los hechos para al-canzar las conclusiones.

Encapsulacion de datos: Inaccesibilidad de losdatos internos de un objeto salvo a traves delinterfase de este.

Enlace dinamico: Resolucion de una referencia aun metodo —procedimiento— en tiempo decompilacion o de ejecucion, en funcion dela clase del objeto que la recibe. Concep-tos asociados son los de enlace temprano —resolucion en compilacion— y enlace tardıo—resolucion en ejecucion. I(dynamic binding,early binding, late binding)

Episodio: Elemento temporal de duracion no nu-la.

Espacio de cantidades: Conjunto de todos los po-sibles valores de una variable.

Espacio de estados: Conjunto de todos los posi-bles estados del sistema.

Estado FQ: Representa el conjunto de valores cua-litativos borrosos de todas las variables delproceso susceptibles de tomar este tipo de va-lores.

Estado K: Representa el conjunto de valoresnumericos de todas las variables del procesosusceptibles de tomar este tipo de valores.

Estado N: Representa el conjunto de valoresnumericos de todas las variables del procesosusceptibles de tomar este tipo de valores.

Estado Q: Representa el conjunto de valores cua-litativos de todas las variables del procesosusceptibles de tomar este tipo de valores.

Estado: Estado del proceso. Se compone de los es-tados K, Q y N. I(state)

Estado: Para un sistema dado utilizaremos eltermino ESTADO al referirnos al conjuntode caracterısticas del mismo que van a de-terminar su comportamiento futuro. Se utili-zara como determinacion completa del siste-ma. Conjunto de valores para todas las varia-bles del sistema.

Estrategias de control: Polıtica de generacion deacciones de control a lo largo del tiempo.

Experto: Persona con conocimiento amplio sobreun tema que le permite resolver problemassobre dicho tema. El conocimiento en cues-tion es tanto datos como procedimientos. Esteconocimiento se suele conseguir a traves de laexperiencia.

Exploracion de reglas: Mecanismo por el cual sedeterminan las reglas a lanzar en una inferen-cia. Es de especial importancia en caso de dis-poner de reglas con activacion periodica.

Fiabilidad: Cualidad de un elemento de tener unnumero reducido de fallos. I(reliability)

145


Focalizar: Centrar el proceso de inferencia en undeterminado subdominio del dominio com-pleto. Es un mecanismo de descomposicionpor dominios que permite aumentar la efi-ciencia de los sistemas basados el el conoci-miento. La focalizacion suele ser llevada a ca-bo por medio de mencanismos de activaciony desactivacion de bases de conocimiento.

Fuente de datos: Cualquier sistema que suminis-tre datos al sistema de control. Fuentes de da-tos son: los sensores, bases de datos, simula-dores, etc.

Generico: Dıcese de todo aquello referido a todoslos objetos de una clase.

Grafo de comportamiento: Por lo general la pre-diccion del comportamiento no dara un re-sultado unico, sino que se generara un grafoque representara todos los posibles comporta-mientos del sistema. Los nodos del grafo sonestados del sistema.

Herencia: Concepto crucial en la programacionorientada a objetos. La herencia es la capacidadpor la que una clase dispone —como propia—de la estructura de datos y los metodos de lasclases de las que hereda. I(inheritance)

Herramientas (software): Programa que ayudanen la construccion de sistemas de proceso deinformacion.

Historia: Conjunto de valores anteriores de unavariable, con indicaciones del instante tempo-ral al que corresponden.

Hito: Es un valor caracterıstico de una variable yque recibe una designacion especial.

Incertidumbre de comportamiento: Uno de lostres aspectos de complejidad del procesomencionados en esta tesis. Se refiere a la incer-tidumbre derivada del desconocimiento delmodo exacto de interaccion entre los elemen-tos del proceso.

Instante: Corresponde a un instante temporal.

Inteligencia artificial: Conjunto de tecnicas in-formaticas que emplean representacionessimbolicas complejas, y que tratan de emularel modo como opera la mente humana.

Interfase: Se referira a un subsistema situado en-tre otros dos y que permite la comunicacionentre ambos. El objetivo del mismo es adap-tar los datos disponibles a un lado a los ti-pos de datos empleados en el otro. El inter-fase podra ser pues UNIDIRECCIONAL o BI-DIRECCIONAL. Tambien se denomina inter-fase o protocolo a la coleccion de mensajes alos que responde un objeto.

Interfase externo: Mecanismo de conexion con elexterior de un sistema.

Intervalo: Perıodo de tiempo entre dos instantes.

Intervalo de exploracion: Atributo caracterısticodel motor de nferencia que establece elperıodo mınimo de activacion de una reglacon activacion periodica.

Intervalo de validez: Perıodo de tiempo duranteel cual se sonsidera valido el valor de una va-riable.

Invocar: Activar una regla.

Jerarquıa: Forma de estructurar sistemas comple-jos en la que los subsistemas se relacionan conrelaciones asimetricas.

Jerarquıa de clases: Jerarquia compuesta por lasclases utilizadas en una determinada re-presentacion de conocimiento. La relacionasimetrica empleada es una relacion ES-UN(IS-A).

Mantenibilidad: Cualidad de un elemento quepermite su facil adaptacion a nuevas circuns-tancias. I(maintainability)

Mensaje: Invocacion de uno de los metodos queconstituyen el interfase de un objeto.

Mensaje global: Mensaje dirigido a todos los ob-jetos activos de un sistema.

Metacontrol: Es un control que se situa por encimade otro control. El sistema controlado puedeser entendido a su vez como un sistema glo-bal, con lo cual es posible pensar en establecerun control que mejore el comportamiento dedicho sistema.

146

Apendice B. Glosario

Modos de fallo: Cada una de las maneras en quese puede producir un fallo en un sistema.(Falta-Error-Fallo en software). Su estructura-cion permite generar un arbol de modos de falloo arbol de fallo.

Motor de inferencia: Proceso encargado de la ac-tivacion, seleccion y ejecucion de los procesoselementales de uns sistema basado en conoci-miento. Por lo general estos procesos elemen-tales seran disparos de reglas.

Niveles de automatizacion: Cada uno de los po-sibles modos en que se puede realizar el con-trol de un proceso, desde el puramente ma-nual al completamente automatico, pasandoa traves de una serie de alternativas.

Objeto: Un ejemplar de la estructura de datos de-finida en una clase.

Objeto focal: Dıcese de aquel objeto con una clasefocal de reglas.

OOP: Object Oriented Programming. Programa-cion orientada a objetos.

Operador: Es la persona encargada de supervisarla operacion de un sistema. Si el sistema escontrolado el operador establece los parame-tros de funcionamiento del control (consig-nas, parametros del regulador, etc).

Paquete: Unidad empleada en comunicacion me-diante redes.

Paradigma MI-BC: Paradigma del sistema expertoclasico, en el que se separa el conocimientoprocedural generico del conocimiento sobre eldominio. De esta forma se generan el motorde inferencia (MI) y la base de conocimiento(BC):

Patron de actuacion: Se refiere a una especifica-cion temporal de actividades de control.

Pericia: Cualidad que distingue al experto. No seha utilizado el termino experiencia, dado queeste ultimo se emplea para referirse al mediopor el cual se llega a ser experto. I(expertise)

Polimorfismo: Capacidad de los objetos de res-ponder de forma diferente a los mismos men-sajes. Esta estrechamente relacionada con elenlace dinamico.

Prioridad: Criterio por el que se decide que acti-vidad debe ejecutarse primero.

Prioridad de actuaciones: Criterio por el que secontrola cual de dos actuaciones de control esmas importante, lo que permite decidir cualse ejecutara. Es de especial importancia en ca-so de existencia de colisiones en las especici-faciones de actuacion originadas por dos pro-cesos de inferencia diferentes.

Prioridad de mensajes: La respuesta de los ob-jetos a los mensajes pude ser con multipleslıneas de ejecucion o mediante una programa-cion de las mismas. Los criterios de prioridadde mensajes permiten gestionarlos de formaque se responda antes a los mas importantes.

Prioridad de reglas: Mecanismo de control delorden de activacion de reglas. Por lo generalconduce a malos usos ya que se emplea parahacer programacion procedural.

Prioridad de tareas: En caso de sistemas basadosen conocimiento que no permitan ejecucionesmultiles es preciso organizar las tareas de in-ferencia demandadas al mismo. Para ello seemplean criterios de prioridad de tareas basa-dos en el tipo de demanda y en el demandan-te.

Procedimiento: Mecanismo de computo determi-nista.

Proceso: Un proceso es un sistema que evolucionaen el tiempo. Tambien se entiende por tal unprograma en ejecucion en un computador.

Programador: Mecanismo de disposicion a lolargo del tiempo de actividades a realizar.I(scheduler)

Protocolo: En ocasiones se refiere con estetermino al cu¡onjunto de mensajes a los queresponde un objeto —la interfase de objeto.

Region de operacion: Es el conjunto de intervalosde validez de un conjunto de restricciones. Lasimplicidad de los mecanismos de expresionde relaciones hace que la validez de la mismasea limitada a unos intervalos determinadosde valores para las variables del sistema.

147


Regla generica: Regla aplicable a cualquier objetode una clase determinada.

Regulador: Mecanismo de calculo de las senalesde actuacion sobre el sistema a controlar quepermite al control conducir al sistema por unaevolucion determinada.

Restriccion: Dıcese de aquello que establece unarestriccion entre los posibles valores de ungrupo de variables.

Reutilizabilidad: Termino por lo general asocia-do al software, significando la propiedad deun determinado software para se utilizado denuevo en otro sistema sin requerir modifica-ciones. I(reusability)

Seguridad: Se dira que un sistema es segurocuando no se producen fallos o estos no pro-ducen danos.

Sentido comun: Cualidad de los seres humanospor la que son capaces de realizar razona-mientos sobre los hechos cotidianos sin ape-nas darse cuenta.

Servidor de datos: Ver fuente de datos.

Sistema: Conjunto de elementos interrelaciona-dos.

Sistema hombre-maquina: Sistema resultante dela inteaccion de un hormbre y una maquina.En el estado actual la mision del hombre esproporcionar sentido comun.

Sistemas de soporte de decisiones: Sistema in-formatico de presentacion de informacion ahumanos que, mediante tecnicas de filtradoe interpretacion previa facilita la toma dedecisiones por parte del humano.

Situacion: Estado parcial del proceso.

Status: Informacion sobre el estado de un siste-ma. Estado interno de un HLO. Mensaje in-formando del estado interno (status real) deun HLO. Incluye un subconjunto de las varia-bles de estado del HLO.

Subclase: Clase relacionada con otra por una re-lacion ES-UN.

Superclase: Dıcese de aquella clase de la que otraes subclase.

Supervision: Actividad del operador que contro-la el funcionamiento del sistema CONTROL-PROCESO. I(oversight)

Tiempo de expiracion: Instante en que concluyeel intervalo de validez del valor de una varia-ble.

Valor: Cada uno de los valores que puede tomaruna variable. Estos valores seran habitualmen-te numeros reales, aunque en la representa-cion simbolica se sustituiran por sımbolos re-ferentes a un valor real o a un conjunto deellos.

Variable: Cada una de las variables del sistema asimular. Por lo general se refiere a funcionesreales de variable real, siendo esta variable eltiempo.

Variable K: Es una variable que admite valoressimbolicos, su espacio de cantidades es unconjunto finito.

Variable mixta: Variable que admite valoracionesde dos o mas tipos.

Variable N: Es una variable que admite valoresnumericos, su espacio de cantidades son losreales (punto flotante).

Variable Q: Es una variable que admite valorescualitativos, su espacio de cantidades es unconjunto finito con una relacion de orden.

B.2. Acronimos

MRAC: Model Reference Adaptive Control. Con-trol adaptativo con modelo de referencia.

RAM: Reliability,Availability & Maintainability

MI-BC: Motor de Inferencia - Base de Conoci-miento.

IA: Inteligencia Artificial.

SE: Sistema Experto.

PID: Proporcional, Integral y Diferencial.

148

Apendice C

Bibliografıa

C.1. Referencias Bibliograficas

[Adaptech 89 ] EXPERT-AD, Expert AdaptiveControl Software. ADAPTECH, 1989.

[Alty 87 ] The Limitations of Rule-Based ExpertSystems. J. L. Alty. Knowledge Based ExpertSystems in Industry. Ellis Horwood, England1987, pp. 12-16.

[Andreae 77 ] Thinking with the Teachable Machi-ne. John H. Andreae Academic Press, London,1977.

[Antsaklis 89 ] Towards Intelligent AutonomousControl Systems: Architecture and Funda-mental Issues. P.J. Antsaklis and K.M. Pas-sino. Journal of Intelligent and Robotic Systems,Vol. 1, No. 4, pp. 315-342, 1989.

[Aracil 86 ] Maquinas, Sistemas y Modelos. JavierAracil. Tecnos, 1986.

[Aracil 89 ] Stability Indices for the Global Analy-sis of Expert Control Systems. Javier Aracil,Anıbal Ollero y Alfonso Garcıa Cerezo. IEEETrans. on Systems, man and Cybernetics, VOl 19,No. 5, pp. 998-1007, 1989.

[ASEA 83 ] Adaptive Controllers - A New Age inProcess Control?, Asea Innovation, Novemeber1983.

[Astrom 86 ] Expert Control. K.J. Astrom, J.J. An-ton y K.E. Arzen. Automatica, Vol. 22, pp. 277-286. Pergamon Journals Ltd. 1986.

[Astrom 88 ] Sistemas Controlados por Computador.Karl Johan Astrom y Bjorn Wittenmark. PA-RANINFO, 1988.

[Astrom 89a ] Towards Intelligent Control. KarlJohan Astrom. IEEE Control Systems Magazine,April 1989, pp. 60-64.

[Astrom 89b ] Adaptive Control. Karl JohanAstrom y Bjorn Wittenmark. Addison-Wesley,1989.

[Bailey 88 ] Autonomous Decision Sources for To-day’s Automated Plants. S.J. Bayley. ControlEngineering, July 1988.

[Barreto 90 ] Qualitative and Quantitative Modelsof Systems. J. Barreto y M. de Neyer. IMACSMIMS2 , 1990.

[Bartos 89 ] AI Now More Realistically at Work inIndustry. Frank J. Bartos. Control Engineering,July 1989.

[Basagoiti 89 ] Sistemas Expertos para Control In-dustrial. Pedro Basagoiti. Tesis Doctoral, Es-cuela Tecnica Superior de Ingenieros Indus-triales de la U.P.M. 1988.

[Berger 89 ] A Hierarchical Framework for Lear-ning Control. Kurt M. Berger y Kenneth A.Loparo. En Artificial Intelligence, Simulationand Modelling. Lawrence E. Widman, KennethA. Loparo y Norman R. Nielsen (eds). Wiley-Interscience, 1989.

[Bernard 88 ] Use of a Rule-Based System for Pro-cess Control. John A. Bernard. IEEE ControlSystems Magazine, pp 3-13. October 1988.

[Bobrow 84 ] Qualitative Reasoning about Phisy-cal Systems. Daniel G. Bobrow (Ed). North-Holland. 1984. Reprinted from Artificial Inte-lligence, Vol. 24.

149


[Bratko 88 ] Qualitative Modelling for MedicalDiagnosis. I. Bratko. 1st IFAC Symposiun onModelling and Simmulation in Biomedical Sys-tems, 1988, pp. 151-157.

[Bridgeland 90 ] Three Qualitative Simulation Ex-tensions for Supporting Economics Models.David Murray Bridgeland. 6th Conference onArtificial Intelligence Applications, pp. 267-273,1990.

[Brown 82 ] Pedagogical, Natural Language andKnowledge Engineering Techniques in SOP-HIE I, II and III. J.S. Brown, R.R. Burton andJ. de Kleer. En Intelligent Tutoring Systems. D.Sleeman y J.S. Brown (Eds). Academic Press,1982.

[Bundy 86 ] Catalogue of Artificial Intelligence Tools.Alan Bundy. Springer Verlag, 1986.

[Calle 90 ] Software para Control Robusto. Be-nedicto Calle. Automatica en Instrumentacion,Abril 1990.

[Cavanna 89 ] QUIC Toolkit Demonstrator Appli-cations. A. Cavanna, J.C. Chautard, C. Hono-rat, M. Levin y B. Klausen. CIM Europe. 1989.

[Cerezo 88 ] Aplicaciones del Razonamiento Aproxi-mado en el Control y Supervision de Procesos. A.Cerezo. Ph.D. Thesis. U. Santiago de Compos-tela, Espana 1987.

[Charbonnaud 90 ] A Quasi-Qualitative Calculusfor Technical Diagnosis Modelling and Reaso-ning. Philippe Charbonnaud y Roger Bertin.IMACS MIMS2 , 1990.

[Clancey 89 ] Viewing Knowledge Bases as Quali-tative Models. William J. Clancey. IEEE Expert,pp. 9-23, Summer 1989.

[Cross 86 ] Knowledge-Based Pilot Aids: A casestudy in Mission Planning. Stephen E. Cross,Robert B. Bahnij, y Douglas O. Norman. Ar-tificial Intelligence and Man-Machine Systems.Springer-Verlag, 1986, pp. 141-174.

[Cuena 89 ] A Knowledge Based Environment forArtificial Intelligence Modelling of industrialProblems: Preliminary Concepts. J. Cuena yA. Salmeron. IFAC Symposium on Information

Control Problems in Manufacturing Technology,Madrid 1989.

[D’Ambrosio 89a ] Qualitative Process TheoryUsing Linguistic Variables. Bruce D’Ambrosio.Springer-Verlag. 1989.

[Dalle Molle 89 ] Qualitative Simulation of Dyna-mic Chemical Processes. David Dalle Molle. Ph.D. Thesis. Univ. of Texas at Austin. 1989.

[de Kleer 84a ] A Qualitative Physics Based onConfluences. Johan de Kleer y John SeelyBrown. Artificial Intelligence Vol.24, pp. 7-83,1984.

[Dubois 80 ] Fuzzy Sets and Systems: Theory andApplications. Didier Dubois y Henri Prade.Academic Press, 1980.

[Efstahtiou 87 ] Rule-Based Process ControlUsing Fuzzy Logic. J. Efstahtiou. AproximateReasoning in Intelligent Systems, Decision andControl. Elie Sanchez y Lofti A. Zadeh (Eds).Pergamon Press, pp. 145-158, 1987.

[Ehrich 83 ] DMS - A System for Defining and Ma-naging Human-Computer Dialogues. R.W.Ehrich. Automatica, Vol. 19, No. 6, pp. 605-612,1983.

[Ellis 89 ] Active Objects: Realities and Possibili-ties. Clarence A. Ellis y Simon J. Gibss. EnObject Oriented Concepts, Databases and Appli-cations, Won Kim y Frederick H. Lochowsky(Eds). ACM Press, pp. 561-572, 1989.

[Euristic 89 ] CHRONOS User Manual. EuristicSystems, 1989.

[Fernandez 77 ] Modelos Matematicos y de Si-mulacion para Sistemas Contınuos. GregorioFernandez Fernandez. Dpto. Publicaciones.ETSIT Madrid, 1977.

[Filman 88 ] Reasoning with Worlds and TruthMaintenance in a Knowledge-Based Program-ming Environment. Robert E. Filman. Commu-nications of the ACM. Vol.31 No.4, April 1988.

[Fishwick 90 ] Qualitative Physics: Towards theAutomation of System Problem Solving. PaulA. Fishwick and Bernard P. Zeigler. IEEE Sym-posium on AI, Simulation and Planning in HighAutonomy Systems, pp. 118-134, 1990.

150

Apendice C. Bibliografıa

[Fogarty 89 ] The Machine Learning of Rules forCombustion Control in Multiple Burner Ins-tallations. Teremce C. Fogarty. CAIA 89, pp.215-221. IEEE Computer Society Press, 1989.

[Forbus 84 ] Qualitative Process Theory. KennethD. Forbus. Artificial Intelligence, Vol. 24, pp. 85-168, 1984.

[Forbus 87 ] Interpreting Observations of Physi-cal Systems. Kenneth D. Forbus. IEEE Transac-tion on Systems, Man and Cybernetics, Vol. 17No. 3, May/June 1987, pp. 350-359.

[Forgy 82 ] Rete: A Fast Algorith for the ManyPattern/Many Object Pattern Match Problem.Charles L. Forgy. Artificial Intelligence, Vol. 19,pp. 17-37, 1982.

[Foxboro 86 ] Process Automation: A 14-Part Se-ries. Reprints from Chemical Engineering. Fox-boro, 1986.

[Franke 90 ] CC: Component Connection Models forQualitative Simulation - A User’s Guide. DavidFranke y Dan Dvorak. Univ. Texas AI Lab.AI90-126, 1990.

[Frost 86 ] Introduction to Knowledge Based Systems.Robert A. Frost. Collins, 1986.

[Fu 70 ] Learning Control Systems - Review andOutlook. King-Sun Fu. IEEE Trans. on Automa-tic Control, Vol. 15, No. 2, April 1970.

[Fu 87 ] Robotics: Control, Sensing, Vision and In-telligence. K.S. Fu, R.C. Gonzalez y C.S.G.Lee. McGraw-Hill 1987. (Trad. Esp. Robotica:Control, Deteccion, Vision e Inteligencia. Mc-Graw-Hill, 1988).

[Galan 89 ] Introduccion a los Sistemas Expertos.Ramon Galan Lopez. Publicaciones ETSII.Universidad Politecnica de Madrid. 1989.

[Genesereth 84 ] The Use of Design Descriptionsin Automated Diagnosis.Michael R. Genese-reth. Artificial Intelligence, Vol. 24, pp. 411-436,1984.

[Gensym 88 ] G2 User Manual. Gensym Corpora-tion. 1988.

[Gensym 89 ] An Introduction to G2. Gensym Cor-poration. January 1989.

[Gevarter 84 ] Artificial Intelligence, Expert Systems,Computer Vision and Natural Language Proces-sing. William B. Gevarter. Noyes Publications,1984.

[Gonzalez 89 ] Arquitectura para Sistemas Exper-tos con Razonamiento Aproximado. Jose CarlosGonzalez Cristobal. Tesis Doctoral. EscuelaTecnica Superior de Ingenieros de Telecomu-nicacion. Universidad Politecnica de Madrid.1989.

[Grant 89 ] A Qualitative Modeling Toolbox forControl Architectures. E. Grant y D. Pear-ce. IEEE International Symposium on IntelligentControl 1989, pp. 526-530.

[Guerrin 90 ] Biological Process InterpretationUsing a Qualitative Reasoning Approach.Francois Guerrin. IMACS MIMS2 , 1990.

[Hayes 85a ] The Second Naive Physics Mani-festo. Patrick J. Hayes. Formal Theories ofthe Comonsense World, pp. 1-36. ABLEX Pu-blishing Corporation, Norwood, New Jersey,1985.

[Henkind 87 ] A Clinical Alarm System UsingTechiniques from Artificial Intelligence andFuzzy Set Theory. S.J. Henkind, R.R. Yager,A.M. Benis y M.C. Harrison. Aproximate Rea-soning in Intelligent Systems, Decision and Con-trol. Elie Sanchez and Lofti A. Zadeh (Eds).Pergamon Press, pp. 91-104, 1987.

[Hinkelmann 89 ] Deep Knowledge for Configu-ration and Diagnosis in a Technical Environ-ment. H. Hinkelmann y D. Karagiannis. IN-COM 89, pp. 579-584. 1989.

[Holmblad 87 ] Automatic Control of CementKilns by Fuzzy Logic Techniques. Lauritz Pe-ter Holmblad. Seminar on Expert Systems andtheir Applications. UIMP, Santander, Espana.1987.

[Ilari 87 ] Control Experto. Juan Ilari Valenti. Te-ma de oposicion, 1987.

151


[Intellicorp 86 ] Model Based Reasoning in theKEE and SimKit Systems. Intellinews, Vol.2No.2. August 1986.

[Intellicorp 87a ] Intellicorp Extends KEE forElectric Power Industry. Intellicorp ApplicationNote, 1987.

[Jakob 90 ] Situation Assesment for Process Con-trol. Francois Jakob y Pierre Suslenschi. IEEEExpert, April 1990, pp. 49-59.

[Johansen 83 ] Human System Interface Concernsin Support System Design. Gunnar Johansen,John E. Rijnsdorp y Andrew P. Sage. Automati-ca, Vol. 19, No. 6, pp. 595-603, 1983.

[Juuso 90 ] Expert Systems Combined with a Mul-tilayer Simulation System. Esko K. Juuso yKauko Leiviska. IMACS MIMS2 , 1990.

[Kandel 86 ] Fuzzy Mathematical Techniques withApplications. Abraham Kandel. Addison-Wesley. 1986.

[Karel 89 ] KLUE: A Diagnostic Expert Sys-tem Tool for Manufacturing. Gerald Karel yMartin Kenner. Intellinews, Vol.5 No.1, Win-ter/Spring 1989.

[Kitowski 87 ] Diagnostics of Fault States in Com-plex Physical Systems Using Fuzzy RelationalEquations. J. Kitowski y M. Bargiel. Aproxima-te Reasoning in Intelligent Systems, Decision andControl. Elie Sanchez y Lofti A. Zadeh (Eds).Pergamon Press, pp. 175-194, 1987.

[Klir 69 ] An Approach to General Systems Theory.George J. Klir. Van Nostrand Reinhold, NewYork, 1969.

[Kuhn 71 ] La Estructura de las RevolucionesCientıficas. T.S. Kuhn. Fondo de CulturaEconomica, 1977.

[Kuipers 84 ] Comonsense Reasoning about Cau-sality: Deriving Behavior from Structure. Ben-jamin Kuipers. Artificial Intelligence Vol.24, pp.169-204, 1984.

[Kuipers 86 ] Qualitative Simulation. Benjamin J.Kuipers. Artificial Intelligence, Vol. 29, pp. 289-338.

[Kuipers 88 ] Abstraction by Time-Scale in Qua-litative Simulation for Biomedical Modelling.Benjamin J. Kuipers. 1st IFAC Symposiun onModelling and Simulation in Biomedical Systems,1988, pp. 158-162.

[Kuipers 90 ] A Smooth Integration of IncompleteQuantitative Knowledge into Qualitative Simmu-lation. Benjamin J. Kuipers y Daniel Berleant.Univ. Texas AI Lab. AI90-122, 1990.

[Laffey 88 ] Real-Time Knowledge Based Sys-tems. Thomas J. Laffey, Preston A. Cox, JamesL. Schmidt, Simon M. Kao y Jackson Y Read.AI Magazine, Spring 1988.

[Lan 90 ] Printing Press Configuration. M.S. Lany R.M. Panos. IEEE Expert, February 1990. pp.65-73.

[Lehman 80 ] Programs, Life Cycles and Laws ofSoftware Evolution. Meir M. Lehman. Procee-dings of the IEEE, Vol. 68, pp. 1060-1076, 1980.

[Leyval 90 ] Event Oriented Versus IntervalOriented Qualitative Simulation. L. Leyval, S.Feray Beaumont y S. Gentil. IMACS MIMS2 ,1990.

[MacFarlane 70 ] Dynamical System Models. A.G.J.MacFarlane. Harrap, 1970.

[Mamdani 81 ] Fuzzy Reasoning and its Applica-tions. E.H. Mamdani y E.R. Gaines (Eds). Aca-demic Press, 1981.

[Martınez 90 ] Realizacion de un Sistema Experto pa-ra el Control de la Fermentacion de un Antibioti-co. Gamaliel Martınez Munoz. Proyecto Fin deCarrera. ETSI Industriales, 1990.

[Mesarovic 70 ] Theory of Hierarchical, Multilevel,Systems. M. Mesarovic, D. Macko, e Y. Takaha-ra. Academic Press, 1970.

[Meyer 88 ] Object Oriented Software Construction.Bertrand Meyer. Prentice Hall. 1988.

[Meystel 86 ] Knowledge-Based Controller for In-telligent Mobile Robots. A. Meystel Arti-ficial Intelligence and Man-Machine Systems.Springer-Verlag, 1986, pp. 113-140.

152


[Milne 87 ] Strategies for Diagnosis. Robert Mil-ne. IEEE Transactions on Systems Man and Cy-bernetics, 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. MarıaMoliner. Gredos, 1989.

[Morgan 90 ] State Descriptions Trough Qualita-tive Vectors. Tony Morgan. IMACS MIMS2 ,1990.

[Nicolosi 88 ] Qualitative Simulation of Compart-mental Systems. Emma Nicolosi y Mark S. Le-naning. 1st IFAC Symposiun on Modelling andSimmulation in Biomedical Systems, 1988, pp.193-198.

[Nii 86 ] Blackboard Systems. H. Penny Nii. TheAI Magazine. Summer 1986.

[Nikolic 86 ] An Algorithm for Learning WithoutExternal Supervision and Its Application toLearning Control Systems. Z.J. Nikolic y K.S.Fu. IEEE Trans. on PAMI, Vol. 8, No. 3, pp. 304-312, 1986.

[Nilsson 87 ] Principios de Inteligencia Artificial.Nils J. Nilsson. Dıaz de Santos, Madrid 1987.

[Nistal 89b ] Control Optimo. Jose Manuel NistalBartolome. Ingenierıa Quımica, Octubre 1989.

[Oliveira 90 ] An Architecture for the Supervisionof Fuzzy Controllers. P.J. Oliveira, P.U. Lima,J.J. Sentieiro, R. Sanz, R. Galan y A. Jimenez.IEEE International Workshop on Intelligent Ro-bots and Systems, IROS ’90, 1990.

[Ollero 89b ] Los Sistemas Expertos en Control deProcesos. Anıbal Ollero Baturone. Automaticae Instrumentacion, Julio 1989.

[Pau 89 ] Knowledge Representation Aproachesin Sensor Fusion. L. Pau. Automatica Vol. 25,No. 2, pp. 207-214. 1989.

[Pedrycz 89 ] Fuzzy Control and Fuzzy Systems.Witold Pedrycz. Research Studies Press Ltd.John Wiley and Sons Inc. 1989.

[Rothemberg 89 ] The Nature of Modelling. JeffRothemberg. En Artificial Intelligence, Simula-tion and Modelling. Lawrence E. Widman, Ken-neth A. Loparo y Norman R. Nielsen (eds).Wiley-Interscience, pp. 75-92, 1989.

[S2O 90 ] NEMO. S2O Informational Brochure.1989.

[Sanz 89a ] Metricas de Complejidad Software. R.Sanz, L.F. Solorzano y J.R. Velasco. Documen-to Interno DIT, 1989.

[Sanz 89b ] Control Inteligente de Procesos en laIndustria del Cemento. R. Sanz, A. Jimenez,R. Galan, C.Peral y V. Rubio. InformeASTECNO/DISAM-12.89/01, 1989.

[Saridis 83 ] Intelligent Robotic Control. GeorgeN. Saridis. IEEE Trans. on Automatic Control,Vol. 28, No. 5, pp. 547-557, 1983.

[Saridis 85 ] Intelligent Control: A New Enginne-ring and Scientific Reality. George N. Saridis.IEEE Workshop on Intelligent Control 1985, pp.220-221, 1985.

[Saridis 88a ] Analytical Design of Intelligent Ma-chines. George N. Saridis y Kimon P. Vala-vanis. Automatica, Vol. 24, No. 2, pp. 123-133,1988.

[Saridis 88b ] Knowledge Implementation: Struc-tures of Intelligent Control. George N. Sari-dis. Journal of Robotic Systems, Vol. 5, No. 4, pp.255-268, 1988.

[Saridis 89 ] Analytic Formulation of the Princi-ple of Increasing Precision with DecreasingIntelligence for Intelligent Machines. GeorgeN. Saridis. Automatica, Vol. 25, No. 3, pp. 461-467, 1989.

[Scarl 87 ] Diagnosis and Sensor Validation Th-rough Knowledge of Structure and Function.E.A. Scarl, J.R. Jamieson y C.I. Delaune. IEEESystems, Man and Cybernetics, Vol. 17, No. 3,pp. 360-368. 1987.

[Shaw 89 ] Reasoning About Time in High-LevelLanguage Software. Alan C. Shaw. IEEE Tran-sactions on Software Engineering. Vol.15 No. 7,July 1989.

153


[Sheridan 83a ] Adapting Automation to Man,Culture and Society. Thomas B. Sheridan, T.Vamos y Shuhei Aida. Automatica, Vol. 19, No.6, pp. 605-612, 1983.

[Shirley 87 ] Some Lessons Learned Using ExpertSystems for Process Control. Richard T. Shir-ley. IEEE Control Systems Magazine. December1987.

[Shrager 87 ] Issues in the Pragmatics of Qualita-tive Modelling: Lessons Learned from a Xe-rographics Project. Jeff Shrager, Daniel S. Jor-dan, Thomas P. Moran, Gregor Kiczales y Da-niel M. Russell. Communications of the ACM,Vol. 30 No. 12, December 1987, pp. 1036-1047.

[Simmonds 88 ] Representation of Real Knowled-ge for Real-Time Use. W.H. Simmonds. IFACWorkshop on AI in Real Time Control. 1988.

[Sleeman 82 ] Intelligent Tutoring Systems. D. Slee-man y J.S. Brown (Eds). Academic Press. 1982.

[Togai 89 ] Fuzzy Control Package InformationalBrochure. Togai Infralogic, 1989.

[Tong 77 ] A Control Engineering Review ofFuzzy Systems. R.M. Tong. Automatica, Vol.13, pp. 559-569. Pergamon Press 1977.

[Tzafestas 89 ] A Framework for Knowledge Ba-sed Control. S. Tzafestas y S. Ligeza. Journalof Intelligent and Robotic Systems, Vol. 1, No. 4,pp. 407-426, 1989.

[Voss 88 ] Architectural Issues for Expert Systemsin Real Time Control. H. Voss. IFAC Workshopon AI in Real Time Control. 1988.

[Widman 89a ] Artificial Intelligence, Simulationand Modelling: A Critical Survey. Lawrence E.Widman y Kenneth A. Loparo. En Artificial In-telligence, Simulation and Modelling. LawrenceE. Widman, Kenneth A. Loparo y Norman R.Nielsen (eds). Wiley-Interscience, 1989.

[Widman 89b ] Semi-Quantitative “Close-Enough” Systems Dynamics Models: AnAlternative to Qualitative Simulation. Law-rence E. Widman. En Artificial Intelligence,Simulation and Modelling. Lawrence E. Wid-man, Kenneth A. Loparo y Norman R.Nielsen (eds). Wiley-Interscience, 1989.

[Yazdani 86a ] Intelligent Tutoring Systems Sur-vey. M. Yazdani. AI Review, No. 1, pp. 43-52,1986.

[Zadeh 73 ] Outline of a New Approach to theAnalysis of Complex Systems and Decisionprocesses. Lofti A. Zadeh. IEEE Transactionson Systems, Man and Cybernetics, Vol. 3, No. 1,pp. 28-44. January 1973.

[Zadeh 77 ] PRUF - A Meaning RepresentationLanguage for Natural Languages. Lofti A. Za-deh. Fuzzy Reasoning and its Applications. Aca-demic Press. pp. 1-66, 1981.

[Zadeh 88 ] Fuzzy Logic. Lofti A. Zadeh. IEEEComputer. Abril 1988.

[Zeigler 90 ] Object Oriented Simulation with Hie-rarchical, Modular, Models. Bernard P. Zeigler.Academic Press 1990.

[Zhang 90a ] Fault Diagnosis of Mixing ProcessUsing Deep Qualitative Knowledge Repre-sentation of Physical Behaviour. J. Zhang, P.D.Roberts y J.E. Ellis. Journal of Intelligent and Ro-botic Systems, Vol. 3, No. 2, pp. 103-116, 1990.

C.2. Bibliografıa adicional

[Abbott 87 ] Knowledge Abstraction. Russel J.Abbott. Communications of the ACM, Vol. 30No. 8, pp. 664-670. 1987.

[Aiello 86 ] Representation and Use of Metak-nowledge. L. Aiello, C. Cecchi y D. Sartini.Proceedings of the IEEE, Vol. 74, No. 10, pp.1304-1321, 1986.

[Allen 83 ] Maintaining Knowledge about Tem-poral Intervals. James F. Allen. Communica-tions of the ACM, Vol. 26, No. 11, pp. 832-843,1983.

[Allen 85 ] A Model of Naive Temporal Reaso-ning. James F. Allen y Henry A. Kautz. FormalTheories of the Comonsense World, pp. 251-268.ABLEX Publishing Corporation, Norwood,New Jersey, 1985.

154


[Alty 89 ] Knowledge-based Dialogue for Dyna-mic Systems. J. L. Alty y G. Johansen. Auto-matica, Vol. 25, No. 6, pp. 829-840, 1989.

[Aracil 83 ] Introduccion a la Dinamica de Siste-mas. Javier Aracil. Alianza Universidad Tex-tos, 1983.

[Asse 87 ] Diagnosis Based on Subjetive Informa-tion in a Solar Energy Plant. A. Asse, A. Mai-zener, A. Moreau y D. Willaeys. AproximateReasoning in Intelligent Systems, Decision andControl. Elie Sanchez y Lofti A. Zadeh (Eds).Pergamon Press, pp. 159-174, 1987.

[Atwood 86 ] Modelos Causales: la Nueva Gene-racion de Sistemas Expertos. M.E. Atwood, R.Brooks, E.R. Radlinski. Comunicaciones Electri-cas, Vol. 60, No. 2, pp. 180-184, 1986.

[Azmani 90 ] Artificial Intelligence Approach forthe Causal Analisys of Bond-Graph Models.A. Azmani, R. Bouayad y G. Dauphin-Tanguy.IMACS MIMS2 , 1990.

[Arzen 89 ] An Architecture for Expert System Ba-sed Feedbak Control. Karl-Erik Arzen. Au-tomatica, Vol. 25, No. 6, pp. 813-827. PergamonJournals Ltd. 1989.

[Astrom 85 ] Process Control-Past, Present andFuture. Karl Johan Astrom IEEE Control Sys-tems Magazine, pp. 3-10. August 1985.

[Babb 90a ] “Object Oriented” Control Configura-tion. Michael Babb. Control Engineering, April1990, pp. 69.

[Babb 90b ] New Expert System Guides ControlOperators. Michael Babb. Control Engineering,June 1990, pp. 80-81.

[Baldwin 87 ] An Uncertainty Calculus for ExpertSystems. J.F. Baldwin. Aproximate Reasoning inIntelligent Systems, Decision and Control. ElieSanchez y Lofti A. Zadeh (Eds). PergamonPress. pp. 33-54. 1987.

[Bare 90 ] Design of a Self-Tunning Rule BasedController for a Gasoline Catalytic Reformer.Walter H. Bare, Robert J. Mulholland y SamS. Sofer. IEEE Trans. on Automatic Control, Vol.35, No. 2, pp. 156-164, 1990.

[Bartos 87 ] Expert System Tools Emerge from theTechnology of AI. Frank J. Bartos. Control En-gineering, December 1987.

[Basagoiti 87 ] Sistema Experto para Verificar la Ca-lidad de Estrategias para un Robot Manipuladoren una Celula de Mecanizado. Pedro Basagoi-ti y Ramon Galan. Informe Interno DISAM01/25-3-87.

[Bassiuny 90 ] Modeling and Simulation of theHomogeneization Process in the Dry Pro-cess Cement Production. A.M. Bassiuny, H.A.Nour Eldin y A.A. Hegazy. IMACS MIMS2 ,1990.

[Bellot 90 ] X Window System: Sistema Estandarde Ventanas. Marisa Bellot, Oriol Sanchez yNacho Navarro. Mundo Electronico, Julio 1990,pp. 77-87.

[Bennett 86 ] Tools for Building Advanced UserInterfaces. J.L. Bennett. IBM Systems Journal,Vol. 25, No. 3/4, pp. 354-368, 1986.

[Bergadano 87 ] Learning form Examples in Pres-sence of Uncertainty. F. Bergadano, A. Gior-dana y L. Saitta. Aproximate Reasoning in Inte-lligent Systems, Decision and Control. Elie San-chez y Lofti A. Zadeh (Eds). Pergamon Press,pp. 105-124, 1987.

[Boden 77 ] Artificial Intelligence and Natural Man.Margaret A. Boden. The Harverter Press Ltd.1977 (Trad. Esp. Inteligencia Artificial y HombreNatural. Tecnos, 1984).

[Bocca 87 ] A logic Programming System forKBMSs - Educe. J. Bocca. Knowledge Based Ex-pert Systems in Industry. Ellis Horwood, En-gland 1987, pp. 23-35.

[Boettcher 83 ] Modelling and Analysis of Teamsof Interacting Decisionmakers with BoundedRationality. K.L. Boettcher y A.H. Lewis. Au-tomatica, Vol. 19, No. 6, pp. 703-710, 1983.

[Booch 86 ] Object-Oriented Development. GradyBooch. IEEE Trans. on Software Engineering,Vol. 12, No. 2, 1986.

155


[Buckley 87 ] Portfolio Analysis Using PossibilityDistributions. Aproximate Reasoning in Intelli-gent Systems, Decision and Control. Elie San-chez y Lofti A. Zadeh (Eds). Pergamon Press.pp. 69-76. 1987.

[Buchanan 84 ] Rule Based Expert Systems. TheMYCIN Experiments of the Stanford HeuristicProgramming Project. Bruce G. Buchanan yEdward H. Shortliffe. Addison-Wesley, 1984.

[Bunt 85 ] Formal Representation of (Quasi-) Con-tinuous Concepts. Harry Bunt. Formal Theoriesof the Comonsense World, pp 37-70. ABLEX Pu-blishing Corporation, Norwood, New Jersey,1985.

[Burns 89 ] Real-Time Systems and their Program-ming Languages. Alan Burns y Andy Wellings.Addison Wesley. 1989.

[Burle 87 ] The Role of Qualitative Reasoning inModelling. Gabriele Burle. AI, ES and Langua-ges in Modelling and Simmulation, Barcelona,1987.

[Camacho 90 ] Centros de Control: la ExperienciaEmpieza con la Simulacion. Eduardo F. Ca-macho. Automatica en Instrumentacion, Mayo1990.

[Carbonell 85 ] Metaphor and Comonsense Rea-soning. Jaime G. Carbonell y Steven Min-ton. Formal Theories of the Comonsense World,pp. 405-426. ABLEX Publishing Corporation,Norwood, New Jersey, 1985.

[Cardelli 85 ] On Understanding Types, DataAbstraction and Polymorphism. Luca Carde-lli y Peter Wegner. ACM Computing Surveys,Vol.17 No.4. pp. 471-523. 1985.

[Chu 90 ] Modeling Diagnostic Problem-Solvingat Multiple Levels of Abstraction. Bei-TsengBill Chu. 6th Conference on Artificial IntelligenceApplications, pp. 55-61, 1990.

[Citrin 87 ] Extracting Paralelism from SequentialProlog: Experiences with the Berkeley PLM.W. Citrin. Knowledge Based Expert Systems inIndustry. Ellis Horwood, England 1987, pp.36-56.

[Coad 89 ] Object Oriented Analysis. Peter Coad yEdward Yourdon. YOURDON Press. 1989.

[Cois 89 ] Qualitative Analysis in SimulatingAnalog Circuits. A. Cois, A. Fanni, S. Pes y A.Giua. IEEE International Symposium on Intelli-gent Control 1989, pp. 531-536.

[Crowley 89 ] Knowledge, Symbolic Reasoningand Perception. James L. Crowley. 1989.

[Cuena 85 ] Logica Informatica. Jose Cuena. Alian-za Editorial AI-1, 1985.

[Cuena 86 ] Inteligencia Artificial: Sistemas Exper-tos. Jose Cuena, Gregorio Fernandez, RamonLopez de Mantars y Ma Felisa Verdejo. Alian-za Editorial AI-2, Madrid 1986.

[Cullingford 83 ] A Heuristically ’Optimal’Knowledge Base Organization Technique.R.E. Cullingford y L.J. Joseph. Automatica,Vol. 19, No. 6, pp. 647-654, 1983.

[D’Ambrosio 87 ] Real-Time Process Managementfor Materials Composition in Chemical Manufac-turing. Bruce D’Ambrosio, Michael R. Fehling,Peter Raulefs y B. Michael Wilber. IEEE Ex-pert, Summer 1987.

[D’Ambrosio 89b ] Extending the Mathematics inQualitative Process Theory. Bruce D’Ambrosio.En Artificial Intelligence, Simulation and Mo-delling. Lawrence E. Widman, Kenneth A.Loparo y Norman R. Nielsen (eds). Wiley-Interscience, 1989.

[Dague 87 ] DEDALE: an Expert System inVM/Prolog. Ph. Dague, Ph. Deves, Z. Zeiny J.P. Adam. Knowledge Based Expert Systemsin Industry. Ellis Horwood, England 1987. pp.57-68.

[Davis 83 ] Representing Structure and Behaviorof Digital Hardware. Randall Davis y HowardSrhobe. IEEE Computer, Vol. 16, No. 10, pp. 75-82, 1983.

[Davis 84 ] Diagnostic Reasoning Based on Struc-ture and Behavior. Randall Davis. Artificial In-telligence Vol.24, pp. 347-410, 1984.

156


[Davis 88 ] Model-Based Reasoning: Troubles-hooting. Randall Davis. MIT AI Lab. Memo1059, 1988.

[Davis 90 ] A Comparison of Techniques for theSpecification 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 deKleer. Artificial Intelligence Vol.24, pp. 205-280,1984.

[de Prada 90 ] Control Anticipativo: mas facil de loque parece. Cesar de Prada. Automatica e Ins-trumentacion, Abril 1990.

[deMarco 79 ] Structured Analysis and System Spe-cification. Tom de Marco. YOURDON Press.1979.

[Deano 81 ] Introduccion a la logica formal. Alfre-do Deano. Alianza Editorial AUT-11, Madrid1981.

[Doraiswami 89 ] Performance Monitoring in Ex-pert Control Systems. R. Doraiswami y J.Jiang. Automatica, Vol. 25, No. 6, pp. 799-811,1989.

[Efros 87 ] Fısica y Geometrıa del Desorden. A. Efros.MIR, 1987.

[Elwart 90 ] New Software Structures ExtendControl Capabilities. Steven P. Elwart y PeterG. Martin. Control Engineering, June 1990, Vol.II, pp. 16-17.

[Farquhar 90 ] QSIM User’s Manual. Adam Far-quhar y Benjamin Kuipers. Univ. of Texas, AILab. AI90-123, 1990.

[Fikes 85 ] The Role of Frame Based Representa-tion in Reasoning. Richard Fikes y Tom Keh-ler. Communications of the ACM, Vol. 28, No. 9,pp. 904-920. 1985.

[Fischer 83 ] Symbiotic, Knowledge-based Com-puter Support Systems. Gerhard Fischer. Au-tomatica, Vol. 19, No. 6, pp. 627-637, 1983.

[Fischer 86 ] Cognitive Science: Information Pro-cessing in Humans and Computers. GerhardFischer. Artificial Intelligence and Man-MachineSystems. Springer-Verlag, 1986, pp. 84-112.

[Fishwick 89 ] Process Abstraction in SimulationModeling. Paul A. Fishwick. En Artificial In-telligence, Simulation and Modelling. LawrenceE. Widman, Kenneth A. Loparo y Norman R.Nielsen (eds). Wiley-Interscience, 1989.

[Forbus 85 ] The Role of Qualitative Dynamicsin Naive Physics. Kenneth D. Forbus. FormalTheories of the Comonsense World, pp. 185-226.ABLEX Publishing Corporation, Norwood,New Jersey, 1985.

[Fouche 90 ] Qualitative Simulation of FeedbackControl Systems. Pierre Fouche y BenjaminKuipers. IMACS MIMS2 , 1990.

[Fox 90 ] AI and Expert System Myths, Legendsand Facts. Mark S. Fox. IEEE Expert, February1990. pp. 8-20.

[Frenkel 88 ] The Art and Science of VisualizingData. Karen a. Frenkel. Communications of theACM, Vol. 31, No. 2, pp. 111-123, 1988.

[Friedrich 90 ] MOMO - Model Based Diagnosisfor Everybody. Gerhard Friedrich. 6th Confe-rence on Artificial Intelligence Applications, pp.207-213, 1990.

[Fu 71 ] Learning Control Systems and Intelli-gent Control Systems: An Intersection of Ar-tificial Intelligence and Automatic Control.King-Sun Fu. IEEE Trans. on Automatic Control,Vol. 16, No. 1, February 1971.

[Funt 83 ] Analogical Modes of Reasoning andProcess Modeling. Brian V. Funt. IEEE Com-puter, October 1983, pp. 99-104.

[Gero 87 ] Expert Systems in Computer Aided Des-ign. John S. Gero (Ed.). North Holland, 1987.

[Gevarter 82 ] An Overview of Expert Systems.William B. Gevarter. National Bureau of Stan-dards Report No. NBSIR 82-2505, May 1982.

[Giles 75 ] Lukasiewicz Logic and Fuzzy SetTheory. R. Giles. Fuzzy Reasoning and its Ap-plications. Academic Press. pp. 117-132, 1981.

[Goguen 73 ] Concept Representation in Naturaland Artificial Languages: Axioms, Extensionsand Applications for Fuzzy Sets. J.A. GoguenJr. Fuzzy Reasoning and its Applications. Acade-mic Press. pp. 67-116, 1981.

157


[Good 84 ] Building a User-Deriver Interface. M.D. Good, J.A. Whiteside, D.R. Wixon y S.J, Jo-nes. Communications of the ACM, Vol. 27, No.10, pp. 1032-1043, 1984.

[Graham 82 ] Linguistic Decision Structures forHierarchical Systems. James H. Graham yGeorge N. Saridis. IEEE Transactions on Sys-tems, Man and Cybernetics, Vol. SMC-12, N◦ 3,Mayo-Junio 1982.

[Green 87a ] Qualitative Reasoning During Des-ign About Shape and Fit: a Preliminary Re-port. Douglas S. Green y David C. Brown. EnExpert Systems in Computer Aided Design. JohnS. Gero (Ed.), pp. 93-118. North Holland, 1987.

[Green 87b ] A Fuzzy Decision Support Systemfor Strategic Planning. N. Green Hall. Apro-ximate Reasoning in Intelligent Systems, Deci-sion and Control. Elie Sanchez y Lofti A. Zadeh(Eds). Pergamon Press. pp. 77-90. 1987.

[Green 87c ] Verification and Validation of ExpertSystems. C.J.R. Green y M.M. Keyes. Procee-dings WESTEX-87, pp. 38-43, 1987.

[Haest 90 ] ESPION: an Expert System for SystemIdentification. M. Haest, G. Bastin, M. Geversy V. Wertz. Automatica, Vol. 26, No. 1, pp. 85-95, 1990.

[Hammond 87 ] Logic-Based Tools for BuildingExpert and Knowledge-Based systems: Suc-cesses and Failures of Transferring the Tech-nology. P. Hammond. Knowledge Based ExpertSystems in Industry. Ellis Horwood, England1987. pp. 69-90.

[Hamscher 90a ] Modeling Digital Circuits forTroubleshooting: An Overview. Walter Hams-cher. 6th Conference on Artificial Intelligence Ap-plications, pp. 2-8, 1990.

[Hamscher 90b ] XDE: Diagnosing Devices withHierarchic Structure and Known ComponentFailure Modes. Walter Hamscher. 6th Confe-rence on Artificial Intelligence Applications, pp.48-54, 1990.

[Hanbaba 89 ] Comunicacion Hombre-Maquinacon el Sistema de Control-Mando de Centra-les PROCONTROL P para Centrales Termi-

cas. Peter Hanbaba. Revista ABB, No. 5, pp.11-18, 1989.

[Handelman 88 ] Perspectives on the Use of Ru-le Based Control. D.A. Handelman and R.F.Stengel. En Artificial Intelligence in Real-TimeControl. M.G. Rodd y G.J. Suski (eds). Perga-mon Press, 1988.

[Hayes 85b ] Naive Physics I: Ontology for Li-quids. Patrick J. Hayes. Formal Theories of theComonsense World, pp. 71-108. ABLEX Pu-blishing Corporation, Norwood, New Jersey,1985.

[Hayes-Roth 84 ] The Knowledge-Based ExpertSystem: A Tutorial. Frederick Hayes-Roth.IEEE Computer, September 1984, pp. 11-28.

[Henkind 88 ] An Analisys of Four UncertaintyCalculi. S.J. Henkind y M.C. Harrison. IEEETransactions on Systems, Man and Cybernetics,Vol. 18, No. 5, pp. 700-714, 1988.

[Henneman 84 ] Measures of Human ProblemSolving Performance in Fault DiagnosisTasks. Richard L. Henneman y William B.Rouse. IEEE Trans. on Systems, Man and Cyber-netics, Vol. 14, No. 1, pp. 99-112, 1984.

[Hunt 84 ] A Fuzzy Rle-Based Model of HumanProblem Solving. Ruston M. Hunt y WilliamB. Rouse. IEEE Trans. on Systems, Man and Cy-bernetics, Vol. 14, No. 1, pp. 112-120, 1984.

[Hunt 90 ] Performing Augmented Model-BasedDiagnosis. John Hunt y Chris Price. IMACSMIMS2 , 1990.

[Husson 86 ] Sistema Experto para control de Pro-cesos Continuos en Tiempo Real. Jean-MichelHusson y Joaquın Tejedor. Automatica e Instru-mentacion, Junio 1986.

[Intellicorp 87b ] Two-Weeks: Rapid Prototypingat Babcock & Wilcox. Intellicorp ApplicationNote, 1987.

[Intellicorp 87c ] Vitro Builds Circuit Fault Diag-nosis Expert System. Intellicorp ApplicationNote, 1987.

158


[Intellicorp 87d ] NASA Scentists Use KEE in Ex-pert System Design Study. Intellicorp Applica-tion Note, 1987.

[Intellicorp 87e ] SIAC System Monitors TradingNetwork. Intellicorp Application Note, 1987.

[Intellicorp 87f ] Taking Control of Complexity.Intellicorp Application Note, 1987.

[Intellicorp 88 ] How to Get Started in AI. Intelli-corp, 1988.

[Israel 85 ] A Short Companion to the Naive Phy-sics Manifesto. David Israel. Formal Theories ofthe Comonsense World, pp. 427-448. ABLEX Pu-blishing Corporation, Norwood, New Jersey,1985.

[Jiang 89 ] Design of a Real-Time, Knowledge-Based Controller with Applications in Hy-draulic Turbine Generator Systems. J. Jiang yR. Doraiswami. Journal of Intelligent and Robo-tic Systems Vol.2 No.2&3, 1989. pp. 229-244.

[Kickert 76 ] Application of a Fuzzy Controller ina Warm Water Plant. W.J.M. Kickert y H.R.Van Nauta Lemke. Automatica, Vol. 12, pp.301-308. 1976.

[Kim 89 ] Object Oriented Concepts, Databases andApplications, Won Kim y Frederick H. Lo-chowsky (Eds). ACM Press, pp. 561-572, 1989.

[King 77 ] The Application of Fuzzy Control Sys-tems to Industrial Processes. P.J. King y E.H.Mamdani. Automatica, Vol. 13, pp. 235-242.Pergamon Press 1977.

[King 88 ] Intelligent Control in the Cement In-dustry. Robert King. IFAC Conference on Distri-buted Intelligence, Varna, Bulgaria, June 1988.

[King 89 ] Distributed Intelligent Industrial Con-trol - Aprocess Industry Paradigm. RobertKing. 1989.

[Klir 89 ] Fuzzy Sets, Uncertainty and Information.George J. Klir y Tina A. Folger. Prentice-Hall.1988.

[Kokar 89 ] Accumulating Qualitative Knowled-ge. Mieczyslaw M. Kokar. IEEE InternationalSymposiun on Intelligent Control 1989, pp. 514-519.

[Konolige 85 ] Belief and Incompleteness. KurtKonolige. Formal Theories of the ComonsenseWorld, pp. 359-404. ABLEX Publishing Corpo-ration, Norwood, New Jersey, 1985.

[Kook 90 ] Representation of Models for SolvingReal-World Problems. Hyung Joon Kook yGordon S. Novak Jr. 6th Conference on ArtificialIntelligence Applications, pp. 274-280, 1990.

[Kopetz 79 ] Software Reliability. H. Kopetz. Mac-Millan, 1979.

[Kreutzer 86 ] System Simmulation. ProgrammingStyles and Languages. Wolfgang KreutzerAddison-Wesley, 1986.

[Krijgsman 88 ] Knowledge Based Real TimeControl. A.J. Krijgsman, H.B. Verbruggen yP.M. Brujin. En Artificial Intelligence in Real-Time Control. M.G. Rodd y G.J. Suski (eds).Pergamon Press, 1988.

[Kriz 87 ] Knowledge Based Expert Systems in In-dustry. Jiri Kriz (Ed). Ellis Horwood, England,1987.

[Kuipers 87 ] Qualitative Simulation as causal Ex-planation. Benjamin J. Kuipers. IEEE Transac-tions on Systems, Man and Cybernetics, Vol. 17No. 3, May/June, 1987. pp. 432-444.

[Kuipers 89a ] Qualitative Reasoning: Modelingand Simmulation with incomplete Knowled-ge. Benjamin J. Kuipers. Automatica Vol. 25No. 4, pp. 171-185, 1989.

[Kuipers 89b ] Qualitative Reasoning with Cau-sal Models in Diagnosis of Complex Systems.Benjamin Kuipers. En Artificial Intelligence, Si-mulation and Modelling. Lawrence E. Widman,Kenneth A. Loparo y Norman R. Nielsen(eds). Wiley-Interscience, 1989.

[Kurtz 89 ] An Object-Oriented Methodology forSystems Analysis and Specification. B.D.Kurtz, D. Ho y Teresa A. Wall. Hewlett-PackardJournal, April 1989.

[Laduzinsky 90 ] Looking for Mr. Good LAN.Alan J. Laduzinsky. Control Engineering, April1990, pp. 74-78.

159


[Laranjeira 90 ] Software Size Estimation ofObject-Oriented Systems. Luiz A. Laranjeira.IEEE Trans. on Software Engineering, Vol. 16,No. 5, pp. 510-522, 1990.

[Lebailly 87 ] Use of Fuzzy Logic in a Rule-BasedSystem in Petroleum Geology. J. Lebailly, R.Martin-Clouaire y H. Prade. Aproximate Rea-soning in Intelligent Systems, Decision and Con-trol. Elie Sanchez y Lofti A. Zadeh (Eds). Per-gamon Press, pp. 125-144, 1987.

[Li 89 ] Development of Fuzzy Algorithms forServo Systems. Y.F. Li y C.C. Lau. IEEE CS Ma-gazine, April 1989, pp. 65-72.

[Lim 90 ] Implementing Fuzzy Rule-Based Sys-tems on Silicon Chips. M.H. Lim y Y. Takefuji.IEEE Expert, February 1990. pp. 31-45.

[Lifschitz 89 ] Miracles in Formal Theories of Ac-tion. Vladimir Lifschitz y Arkady Rabinov.Artificial Intelligence, Vol 38, pp. 225-237. 1989.

[Lopez 89 ] Sistemas Expertos, Limitaciones yPerspectivas. Ramon Lopez de Mantaras.Mundo Electronico, Noviembre 1989.

[Lounamaa 89 ] An Incremental Object-OrientedLanguage for Cotinuous Simulation Models.Pertti Lounamaa. En Artificial Intelligence, Si-mulation and Modelling. Lawrence E. Widman,Kenneth A. Loparo y Norman R. Nielsen(eds). Wiley-Interscience, 1989.

[Lu 89 ] Modern Computer Control Strategiesof Iron and Steel Making. Yong-zai Lu. 6thMMM-89.

[Luo 89 ] Multisensor Integration and Fusion inIntelligent Systems. Ren C. Luo y Michael G.Kay. IEEE Trans. on Systemas Man and Cyberne-tics, Vol. 19, No. 5, pp. 901-931, 1989.

[Maderlechner 87 ] Model Guided InterpretationBased on Structurally Related Image Primi-tives. 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 Auto-matic Control of Hot Stove Combustion GasFlow Rate. Y. Maki et al. 6th MMM-89.

[Mahmoud 89 ] A Real-Time Expert Control Sys-tem for Dynamical Processes. Magdi S. Mah-moud, Shawki Z. Eid y Ahmed A. Abou-Elsoud. IEEE Trans. on Systems, man and Cy-bernetics, VOl 19, No. 5, pp. 1101-1105, 1989.

[Manas 87 ] Word Division in Spanish. Jose A.Manas. Communications of the ACM, Vol. 30,No. 7, pp. 612-616, 1987.

[Margulies 83 ] Man’s Role in Man-Machine Sys-tems. Automatica, Vol. 19, No. 6, pp. 605-612,1983.

[McCusker 90 ] Neural Networks and Fuzzy Lo-gic, Tools of Promise for Controls. Tom Mc-Cusker. Control Engineering, May 1990, pp. 84-85.

[McDermott 85 ] Reasoning about Plans. DrewMcDermott. Formal Theories of the ComonsenseWorld, pp. 269-318. ABLEX Publishing Corpo-ration, Norwood, New Jersey, 1985.

[McMahon 81 ] Fiber Optic Transducers. DonaldH. McMahon, Arthur R. Nelson y William B.Spillman Jr. IEEE Spectrum, December 1981,pp. 24-29.

[Meystel 88 ] Intelligent Control in Robotics. A.Meystel. Journal of Robotic Systems, Vol. 5, No.4, pp. 269-308, 1988.

[Meystel 89 ] Intelligent Control: A Sketch of theTheory. A. Meystel. Journal of Intelligent andRobotic Systems Vol.2 No.2&3, 1989. pp. 97-108.

[Montmain 90 ] On Line Qualitative Interpreta-tion of a Dynamic Symulation for Diagnosis.J. Montmain, L. Leyval y S. Gentil. IMACSMIMS2 , 1990.

[Moore 85 ] A Formal Theory of Knowledge andAction. Robert C. Moore. Formal Theories ofthe Comonsense World, pp. 319-358. ABLEX Pu-blishing Corporation, Norwood, New Jersey,1985.

[Moore 90 ] Using DECwindows as a Control Sys-tem Interface. Katrina Moore y Ralph Rio.Control Engineering, April 1990, pp. 90-92.

160


[Morant 89 ] Hierarchical Expert System as Su-pervisory Level in Adaptive Control. F. Mo-rant, P. Albertos, M. Martınez y J.J. Serrano.IEEE International Symposium on IntelligentControl, 1989.

[Muller 87 ] Modula- -Prolog: A ProgrammingEnvironment for Building Knowledge-BasedSystems. C. Muller. Knowledge Based ExpertSystems in Industry. Ellis Horwood, England1987, pp. 98-110.

[Mylopoulos 86 ] Knowledge Representation inthe Software Development Process: A CaseStudy. J. Mylopoulos, A. Borgida, S. Greens-pan, C. Meghini y B. Nixon. Artificial Inte-lligence and Man-Machine Systems. Springer-Verlag, 1986, pp. 23-44.

[Nakayama 90 ] Model-based Automatic Pro-gramming for Plant Control. Yasuko Nakaya-ma, Hiroyuki Mizutani y Katsuya Sadashige.6th Conference on Artificial Intelligence Applica-tions, pp. 282-287, 1990.

[Neat 89 ] Expert Adaptive Control for Drug De-livery Systems. Gregory W. Neat, HowardKaufman y Rob J. Roy. IEEE Control SystemsMagazine. June 1989, pp. 20-24.

[Neiman 86 ] Consideraciones Tecnologicas sobreel Uso Industrial de los Sistemas Expertos.D. Neiman. Comunicaciones Electricas, Vol. 60,No. 2, pp. 185-189, 1986.

[Nistal 88 ] Sistemas Expertos, Explotacion enplantas Industriales. Jose Manuel Nistal Bar-tolome. Mundo Electronico, Diciembre 1988.

[Nistal 89a ] El Diseno Optimo del Controlde Procesos por Computador: AplicacionesPracticas. Jose Manuel Nistal Bartolome. Bo-letın COII, 1989.

[Ng 90 ] Model-Based, Multiple Fault Diagnosisof Time-Varying, Continuous Physical Devi-ces. Hwee Tou Ng. 6th Conference on ArtificialIntelligence Applications, pp. 9-15, 1990.

[Novak 87 ] Automatic Generation of VerbalComments on Results of Mathematical Mode-lling. Aproximate Reasoning in Intelligent Sys-tems, Decision and Control. Elie Sanchez y Lof-

ti A. Zadeh (Eds). Pergamon Press. pp. 55-68.1987.

[gard 88 ] Intelligent Alarm Handling. O. gard yE. Woods. En Artificial Intelligence in Real-TimeControl. M.G. Rodd y G.J. Suski (eds). Perga-mon Press, 1988.

[Ollero 89a ] Inteligencia Artificial: Aplicacionesrecientes en Control y Supervision de Proce-sos. Anıbal Ollero Baturone y A. Garcıa Cere-zo. Automatica e Instrumentacion, Febrero 1989.

[Ollero 89c ] Expert Tunning of Automatic Con-trollers. A. Ollero, J. Gonzalez, A. Garcıa y C.Fernandez. IEEE International Symposium onIntelligent Control, 1989.

[Olsson 90 ] An Architecture for Diagnostic Rea-soning Using Causal Models. Jan Olsson.IMACS MIMS2 , 1990.

[Oshuga 83 ] Knowledge Based Man-MachineSystems. Setsuo Ohsuga. Automatica, Vol. 19,No. 6, pp. 685-692, 1983.

[Pau 88 ] Sensor Data Fusion. L. Pau. Journal of In-telligent and Robotic Systems Vol. 1, pp. 103-116.1988.

[Perkins 90 ] Adding Temporal Reasoning toExpert-System-Building Environments. IEEEExpert, February 1990. pp. 23-30.

[Permantier 88 ] Representation of Inexact Engi-neering Knowledge about Real Time Systems.G. Permantier. En Artificial Intelligence in Real-Time Control. M.G. Rodd y G.J. Suski (eds).Pergamon Press, 1988.

[Peters 88 ] Advanced Sructured Analysis and Des-ign. Lawrence Peters. Prentice Hall Internatio-nal. 1988.

[Peterson 87 ] Object Oriented Computing. GeraldE. Peterson (Ed). IEEE Computer SocietyPress. 1987.

[Pew 83 ] Perspectives on Human PerformanceModelling. Richard W. Pew y Sheldon Baron.Automatica, Vol. 19, No. 6, pp. 663-676, 1983.

161


[Post 90 ] An Overview of Automated Reasoning.Stephen Post y Andrew P. Sage. IEEE Systems,Man and Cybernetics, Vol. 20 No. 1, pp. 202-224.1990.

[Procyk 79 ] A Linguistic Self Organizer ProcessController. T.J. Procyk y E.H. Mamdani. Auto-matica, Vol. 15, pp. 15-30. Pergamon Press Ltd.1979.

[Puente 88 ] An Integrated Multisensor RobotSystem. E.A. Puente, C.Balaguer, A.Barrientosy A. Yela. SYROCO 88. Karlsruhe, October1988.

[Radig 86 ] Design and Applications of ExpertSystems. Bernd Radig. Artificial Intelligenceand Man-Machine Systems. Springer-Verlag,1986, pp. 45-61.

[Raeth 90 ] Expert Systems. A Software Methodologyfor Modern Applications. Peter G. Raeth. IEEEComputer Society. 1990.

[Ramamurthi 90 ] Real Time Expert System forPredictive Diagnostics and Control of DrillingOperation. K. Ramamurthi, Donald P. Shavery Alice M. Agogino. 6th Conference on ArtificialIntelligence Applications, pp. 63-69, 1990.

[Raman 88a ] A Production System for IntelligentMonitoring Systems. Ravi S. Raman, Roy S.Nutter JR. y Y.V. Reddy JR. IEEE Trans. onIndustry Applications Vol. 24 No. 5, Septem-ber/October 1988, pp. 862-865.

[Raman 88b ] Knowledge Organization and In-ference Engine for the WVU Face DecisionSupport System. Ravi S. Raman, Narendar A.Reddy, Y.V. Reddy, Roy S. Nutter JR., StevenCarrow y R. Larry Grayson. IEEE Trans. onIndustry Applications Vol. 24 No. 5, Septem-ber/October 1988, pp. 866-869.

[Rauch-Hindin 89 ] Aplicaciones de la InteligenciaArtificial en la Actividad Empresarial, la Cienciay la Industria. Wendy B. Rauch-Hindin. Diazde Santos, 1989.

[Rim 90 ] Transforming SYntactica Graphs intoSemantic Graphs. Hae-Chang Rim, JungyunSeo y Robert F. Simmons. Univ. of Texas atAustin AI Lab. AI90-127, 1990.

[Rodd 88 ] Artificial Intelligence in Real-Time Con-trol. M.G. Rodd y G.J. Suski (eds). PergamonPress, 1988.

[Ross 77 ] Structured Analysis (SA): A Languagefor Communicating Ideas. Douglas T. Ross.IEEE Trans. on Software Engineering, Vol. 3, No.1, pp. 16-34, 1977.

[Ross 85 ] Aplications and Extensions of SADT.Douglas T. Ross. IEEE Computer, April 1985,pp. 25-34.

[Rouse 83 ] Models of Human Problem Solving:detection, Diagnosis and Compensation forSystem Failures. William B. Rouse. Automati-ca, Vol. 19, No. 6, pp. 613-625, 1983.

[Rouse 88 ] On the Design of Man-Machine Sys-tems: Principles, Practices and Prospects. Wi-lliam B. Rouse y William J. Cody. Automatica,Vol. 24, No. 2, pp. 227-238, 1988.

[Rubin 88 ] OFMspert: Inference of Operator In-tentions in Supervisory Control Using a Bla-ckboard Architecture. K.S. Rubin, P.M. Jonesy C.M. Mitchell. IEEE Trans. on Systems, Manand Cybernetics, Vol. 18, No. 4, pp. 618-637.

[Ruiz-Mier 89 ] A Hybrid Paradigm for Mode-ling of Complex Systems. Sergio Ruiz-Miery Joseph Talavage. En Artificial Intelligence,Simulation and Modelling. Lawrence E. Wid-man, Kenneth A. Loparo y Norman R. Niel-sen (eds). Wiley-Interscience, 1989.

[Ruspini 82 ] Possibility Theory Approaches forAdvanced Information Systems. Enrique H.Ruspini. IEEE Computer, September 1982. pp.83-91.

[Sacks 88 ] Automatic Analysis of Ordinary Diffe-rential Equations Using Piecewise Linear Ap-proximations. Elisha Sacks. MIT AI Lab. TR1031. 1988.

[Saito 89 ] Application of Artificial Intelligence inthe Japanese Iron and Steel Industry. Toyoka-zu Saito. 6th MMM-89.

[Sanchez 87 ] Aproximate Reasoning in IntelligentSystems, Decision and Control. Elie Sanchez yLofti A. Zadeh (Eds). Pergamon Press. p. 195.1987.

162


[Savory 87 ] CONAD: A Knowledge-Based Con-figuration Adviser, Built Using Nixdorf’s Ex-pert System Shell TWAICE. S.E. Savory. Know-ledge Based Expert Systems in Industry. Ellis Ho-rwood, England 1987, pp. 111-116.

[Schmidt 85 ] Partial Provisional Planning: SomeAspects of Commonsense Planning. CharlesF. Schmidt. Formal Theories of the ComonsenseWorld, pp 227-250. ABLEX Publishing Corpo-ration, Norwood, New Jersey, 1985.

[Shafer 76 ] A Mathematical Theory of Eviden-ce. Glenn Shafer. Princeton University Press,1976.

[Sheridan 83b ] Measuring, Modeling and Aug-menting Reliability of Man-Machine Systems.Thomas B. Sheridan. Automatica, Vol. 19, No.6, pp. 637-645, 1983.

[Shlaer 88a ] The Object-Oriented Method forAnalysis. Sally Shlaer, Stephen J. Mellor, De-borah Olsen y Wayne Hywari. Proc. 10thStructured Developent Forum, 1988.

[Shlaer 88b ] Understanding Object-OrientedAnalysis. Sally Shlaer y Stephen J. Mellor. HPDesign Center, No. 3, pp. 8-13, 1988.

[Shlaer 89a ] An Object-Oriented Approach toDomain Analysis. Sally Shlaer y Stephen J.Mellor. En Software Engineering Notes, ACMPress, 1989.

[Shlaer 89b ] Real-Time Recursive Design. SallyShlaer y Stephen J. Mellor. Project TechnologyInc., 1989.

[Shoham 88 ] Reasoning About Change. YoavShoham. MIT Press. 1988.

[Siler 87 ] Functional Requierements for a FuzzyExpert System Shell. W. Siler, J.J. Buckley y D.Tucker. Aproximate Reasoning in Intelligent Sys-tems, Decision and Control. Elie Sanchez y Lof-ti A. Zadeh (Eds). Pergamon Press. pp. 21-32.1987.

[Simmons 83 ] Representing and Reasoningabout Change in Geological Interpretation.Reid G. Simmons. MIT AI Lab. TR 749. 1983.

[Steelman 82 ] Distributed Cement Plant Control -The Intelligent Approach. D. Steelman, IEEETrans. on Industri Aplications, Vol. 18, No. 2, pp.192-198, 1982.

[Stein 83 ] Human Display Monitoring and Fai-lure Detection: Control Theoretic Models andExperiments. W. Stein y P.H. Wewerinke. Au-tomatica, Vol. 19, No. 6, pp. 711-718, 1983.

[Struss 87 ] Multiple Representation of Structureand Function. Peter Struss. En Expert Systemsin Computer Aided Design. John S. Gero (Ed.),pp. 57-92. North Holland, 1987.

[Suganuma 89 ] Learning Control and Knowled-ge Representation. Yoshinori Suganuma yMasami Ito. Journal of Intelligent and RoboticSystems Vol.2 No.2&3, 1989. pp. 337-358.

[Sugaya 87 ] A Prolog Frame System forKnowledge-Based Design and Diagnosis.H. Sugaya. Knowledge Based Expert Systems inIndustry. Ellis Horwood, England 1987, pp.117-129.

[Tamisier 90 ] A Software Tool for the Automa-tic Operation of Bahavioral Simulations of Te-chnological Systems. S. Tamisier y J.L. Petit.IMACS MIMS2 , 1990.

[Tate 87 ] Application of Knowledge-Based Plan-ning Systems. A. Tate. Knowledge Based ExpertSystems in Industry. Ellis Horwood, England1987, pp. 130-144.

[Taunton 88 ] Empleo de Sistemas Expertos enLınea en Control de Procesos. J.C. Taunton.Automatica e Instrumentacion, Marzo 1988.

[Tenteris 90 ] Structural Modeling and Fuzzy Si-mulation of Metallurgical Processes. Janis K.Tenteris, Esko K. Juuso y Kaulo Leiviska.IMACS MIMS2 , 1990.

[Terano 83 ] Human Reliability and Safety evalua-tion of Man-Machine Systems. T. Terano, Y.Murayama y N. Akiyama. Automatica, Vol. 19,No. 6, pp. 719-722, 1983.

[Theuretzbacher 86 ] Tecnologıa de sistemas ex-pertos para sistemas de seguridad crıtica entiempo real. N. Theuretzbacher. Comunicacio-nes Electricas, Vol. 60, No. 2, pp. 147-153, 1986.

163


[Tichy 87 ] What can Software Engineers Learnfrom Artificial 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. EdisonTse and Michael Fehling. IEEE InternationalSymposium on Intelligent Control, 1989.

[Valavanis 89 ] Hardware and Software for Inte-lligent Robotic Systems. Kimon P. Valavanis yPeter H. Yuan. Journal of Intelligent and RoboticSystems, Vol. 1, pp. 343-373, 1989.

[Van der Rhee 90 ] Knowledge Based Fuzzy Con-trol of Systems. Floor Van der Rhee, Hans R.Van Nauta Lemke y Jaap G. Dijkman. IEEETrans. on Automatic Control, Vol. 35, No. 2, pp.148-155, 1990.

[Vangheluwe 90 ] Application of a MultifacettedModelling Methodology: An Example in Phi-siology. Hans Vangheluwe, Jorge Barreto yG.C. Vansteenkiste. IMACS MIMS2 , 1990.

[Vescovi 90 ] A new Model for Qualitative Reaso-ning Representing Time Explicitly. Marcos R.Vescovi. IMACS MIMS2 , 1990.

[Vitins 87 ] A Prototype Expert System for Confi-guring Technical Systems. M. Vitins. Knowled-ge Based Expert Systems in Industry. Ellis Ho-rwood, England 1987, pp. 145-158.

[Volckers 86 ] Dynamic Plannig and Time-Conflict Resolution in Air Traffic Control.Uwe Volckers Artificial Intelligence and Man-Machine Systems. Springer-Verlag, 1986, pp.175-197.

[Wahlster 86 ] The Role of Natural Language inAdvanced Knowledge-Based Systems. Wolf-gang Wahlster Artificial Intelligence and Man-Machine Systems. Springer-Verlag, 1986, pp. 62-83.

[Ward 86 ] The Transformation Schema: An Ex-tension of the Data Flow Diagram to Repre-sent Control and Timing. Paul T. Ward. IEEETrans. on Software Engineering, Vol. 12, No. 2,pp. 198-210, 1986.

[Watanabe 89 ] Intelligent Control in the Hierar-chy of Automatic Manufacturing Systems.Tohru Watanabe. Journal of Intelligent and Ro-botic Systems Vol.2 No.2&3, 1989. pp. 171-186.

[Weiss 84 ] A practical Guide to Designing ExpertSystems. Sholom Weiss y Casimir Kulikovski.Rowman & Allanheld, 1984.

[Weld 84 ] Switching Between Discrete and Conti-nuous Process Models to Predict Genetic Acti-vity. Daniel S. Weld. MIT AI Lab. TR 793. 1984.

[Weld 86 ] The Use of Aggregation in Causal Si-mulation. Daniel S. Weld. Artificial Intelligence,Vol. 30, pp. 1-34, 1986.

[Weld 88 ] Theories of Comparative Analysis. Da-niel S. Weld. MIT AI Lab. TR 1035. 1988.

[Wewerinke 83 ] Model of Human Observer andDecision Maker - Theory and Applications.P.H. Wewerinke. Automatica, Vol. 19, No. 6,pp. 693-696, 1983.

[Williams 84 ] Qualitative Analysis of MOSCircuits. B.C Williams. Artificial IntelligenceVol.24, pp. 281-346, 1984.

[Winston 84 ] Artificial Intelligence. 2nd Edition. Pa-trick Henry Winston. Addison Wesley 1984.524 p.

[Winter 86 ] Artificial Intelligence in Man-Machine Systems and Automation. HeinzWinter. Artificial Intelligence and Man-MachineSystems. Springer-Verlag, 1986, pp. 1-22.

[Wittig 87 ] Expert Systems for Real-Time Appli-cations. Thies Wittig. Seminar on Expert Sys-tems and Applications. UIMP. June-July 1987.

[Wuwongse 83 ] An Interactive System for Sup-porting Multiobjective Decision Making. V.Wuwongse, S. Kobayashi y A. Ichikawa. Au-tomatica, Vol. 19, No. 6, pp. 697-702, 1983.

[Yadav 90 ] Comparison of Analysis Techniquesfor Information Requirement Determination.S.B. Yadav, R.R. Bravoco, A.T. Chatfield y T.M.Rajkumar. Communications of the ACM, Vol. 31,No. 9, pp. 1090-1097, 1988.

164


[Yamakawa 87 ] Fuzzy Hardware Systems of To-morrow. T. Yamakawa. Aproximate Reasoningin Intelligent Systems, Decision and Control. ElieSanchez y Lofti A. Zadeh (Eds). PergamonPress, pp. 1-20, 1987.

[Yazdani 86b ] Intelligent Tutoring Systems: AnOverview. Masoud Yazdani. Expert Systems,Vol. 3, No. 3, pp. 154-162, July 1986.

[Yoon 86 ] Fiber-Optic Gyroscopes. B. Yoon Kimy Herbert John Shaw. IEEE Spectrum, March1986, pp. 54-60.

[Zadeh 86 ] Outline of a Computational Approa-ch to Meaning and Knowledge Representa-tion based on the Concept of a GeneralizedAssignment Statement. Lofti A. Zadeh Ar-tificial Intelligence and Man-Machine Systems.Springer-Verlag, 1986, pp. 198-211.

[Zadeh 89 ] Syllogistic Reasoning in Fuzzy Logicand its Application to Usuality and Reasoningwith Dispositions. Lofti A. Zadeh. IEEE Tran-sactions on Systems, Man and Cybernetics, Vol.15, No. 6, pp. 754-763. November/December1985.

[Zeigler 89 ] DEVS Representation of Dynami-cal 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: Know-ledge Representation for Simulation Mode-ling and Design. Guoqing Zhang y BernardP. Zeigler. En Artificial Intelligence, Simulationand Modelling. Lawrence E. Widman, KennethA. Loparo y Norman R. Nielsen (eds). Wiley-Interscience, 1989.

[Zhang 90b ] A Fault Diagnosis System with SelfReasoning Facility Based on Qualitative Mo-delling. J. Zhang, P.D. Roberts y J.E. Ellis.IMACS MIMS2 , 1990.

165

Apendice D

Parametros de los conjuntos borrosos

PARAMETROS DE LOS CONJUNTOS BORROSOS

� S Z S-Z

P1 P -∞ P1 P1

P2 ∞ P P2 P2

ß1 ß - ß1 ß1

ß2 - ß ß2 ß2

Tabla D.1: Parametros de los conjuntos borrosos

166

Reference: ASL-T-1990-001 v 1.0 FinalTitle: Arquitectura de Control

Inteligente de ProcesosSubtitle: El sistema CONEX

URL: http://www.aslab.org/public/documents/ASL-T-1990-001.pdfDate: 1990

c© 1990 ASLab

Autonomous Systems LaboratoryUNIVERSIDAD POLITECNICA DE MADRID

c/Jose Gutierrez Abascal, 2Madrid 28006 (Spain)

aslab.org

www.aslab.org

Documents

Control Inteligente