Aplicaciones: Herramientas clásicas, Redes Neuronales, control borroso

Transcripción

1 Indice Inteligencia Artificial Historia Revisión de Técnicas Control automático Jerarquía de control Necesidad de inteligencia Aplicaciones: Herramientas clásicas, Redes Neuronales, control borroso Control 1 Inteligencia Artificial Definición Inteligencia Artificial es el arte de construir máquinas capaces de hacer cosas que requerirían inteligencia en el caso de que fuesen hechas por los seres humanos (Minski) Es inteligente un sistema?: Test de Turing Planteamiento Clásico Representación del conocimiento Búsqueda de solución Control 2 1

2 Inteligencia Artificial Planteamientos modernos Redes Neuronales Conjuntos borrosos Algoritmos genéticos Control 3 Control automático PLANIFICACION COORDINACION OPTIMIZACION Control de Unidad 1 Control de Unidad 2 Control de Unidad m SUPERVISION FUNCIONES BASICAS DE CONTROL Controlador Local 1 Controlador Local 2 Controlador Local 3 Controlador Local n Proceso 1 Proceso 2 Proceso 3 Proceso n Control 4 2

3 Problemas del Control Automático Sistemas no lineales Modelado e Identificación de sistemas Optimización Obtención de puntos de consigna óptimos Planificación Generación de planes de operación Supervisión Detección de fallos Alarmas y gestión Control 5 Respuestas de la I.A Sistemas expertos Sistemas avanzados de búsqueda Redes Neuronales Lógica borrosa Algoritmos genéticos Control 6 3

4 Planteamiento Clásico Mecanismos de representación Lógica de predicados (Lenguaje PROLOG) Redes semánticas Marcos, Guiones Mecanismos de Búsqueda Encadenamiento de reglas Backtracking, Exploración de grafos Control 7 Sistemas expertos Estructuras manejadas por el humano: Predicados ó proposiciones Relaciones y reglas. Procesamiento humano: Ante información fragmentada e incompleta es capaz de generar hipótesis. Esto va en contra de los algoritmos (en sentido clásico) que requieren todos los datos previstos sobre un problema y además son incapaces de generar nuevas relaciones. Conocimiento manejado es a veces incierto o borroso. Sería el caso, por ejemplo, de una asignación insegura de valor a una variable. Control 8 4

5 Sistemas expertos Las partes elementales: BASE DE CONOCIMIENTOS. MOTOR DE INFERENCIAS. Hipótesis de trabajo para utilizar un S.E: Amplio conocimiento específico del campo de interés. Procesamiento de símbolos. Aplicación de técnicas de búsqueda. Habilidad para inferir nuevos conocimientos a partir de los existentes Capacidad para explicar su propio funcionamiento Control 9 Aplicación de S.E al control Limitación adicional: La evolución temporal de los sistemas Limitación a los tiempos de ejecución: No se mantiene el conocimiento de forma constante Campo de aplicabilidad exige respuestas rápidas del sistema. Control 10 5

6 Ejemplo de S.E: G2 G2 applications can dramatically improve the performance of an operation by: Continuously monitoring for potential problems before they adversely affect the operation Turning complex operations data into useful information byreasoning about the data using knowledge-based models and analysis Diagnosing the root cause of time-critical problems and taking the correct actions Maintaining optimal operating conditions Coordinating activities and information in complex operation processes (Fuente Gensym. Co) Control 11 Ejemplo de S.E: G2 Control 12 6

7 Ejemplo de S.E: G2 (Reglas) Control 13 Estrategias de Búsqueda I Problemas en Inteligencia artificial Representación de conocimiento Búsqueda de solución Estrategias de búsqueda de solución Irrevocables Tentativas: Backtracking Exploración de grafos Aplicaciones Obtención de óptimos Diseño, operación, etc. Generación de planes Control 14 7

8 Estrategias de Búsqueda II 1 DATOS <-- Base de datos inicial 2 until DATOS satisfaga la condición de terminación do 3 begin 4 SELECT alguna regla R aplicable a DATOS 5 DATOS <-- El resultado de aplicar R a DATOS 6 end DATOS es la base de datos global R pertenece al conjunto de reglas de producción SELECT es el procedimiento encargado de implementar el sistema de control. Control 15 Redes Neuronales (I) Representación conocimiento no viene dado en forma de reglas Información distribuida (Alternativa a la estadística) No hay expertos pero si grandes bases de datos sobre el problema Características: Procesamiento distribuido de la información Utilización de métodos de minimización de funciones de error Campos de aplicación: Predicción de series temporales Reconocimiento de patrones Control 16 8

9 Redes Neuronales (II) Control 17 R. Neuronales y Control (I) Neural Network Type Back Propogation Auto-associative Radial Basis Function Application Areas Function approximation, software sensors, advanced control Signal filtering, sensor/process fault detection, sensor substitution Multiple-class membership (diagnosis) Aplicaciones: Sensores de Software (Adquisición de datos) Filtrado (Adquisición de datos) Modelado y control (Control) Detección y diagnóstico (Supervisión) Control 18 9

10 R. Neuronales y Control (II) Control 19 Conjuntos Borrosos Resuelve la limitación de las lógicas univaluadas (Booleanas) Implementa de forma más realista algunos procesos de razonamiento humanos (Controlador humano) Aplicaciones Control 20 10

11 Aplicación de F.S al Control Controlador Conjuntos borrosos Control 21 Aplicación de C.B al Control Reglas de control IF temperature IS cold THEN fan_speed IS high IF temperature IS cool THEN fan_speed IS medium IF temperature IS warm THEN fan_speed IS low IF temperature IS hot THEN fan_speed IS zero Control 22 11