4.

SISTEMAS EXPERTOS

4.1 INTRODUCCION • • Las tecnologías de control y diagnóstico de fallas más recientes integran métodos cuantitativos y métodos cualitativos. Los métodos cuantitativos se basan en modelos fenomenológicos o de principios básicos, y modelos identificados a partir de datos experimentales o adquiridos en planta. Estos modelos se formulan mediante ecuaciones de estado, ecuaciones entrada-salida o funciones de transferencia. Los métodos cualitativos generalmente se basan en el conocimiento heurístico de “expertos” en el proceso o sistema. Este conocimiento se formula mediante modelos cualitativos, estructurados en base a reglas IF-THEN. Los modelos, cuantitativos o cualitativos, permiten explicar y predecir el comportamiento del proceso o sistema, y sirven de base al diseño del sistema de control o de diagnóstico. Las técnicas de simulación o diseño requieren análisis numérico en un caso y manejo de símbolos en el otro. Los sistemas con componentes que se describen con elementos cuantitativos con elementos cualitativos se denominan sistemas híbridos. El interés en los sistemas híbridos ha crecido significativamente en el último tiempo pues permiten caracterizar de un modo más realista y completo el comportamiento de un proceso o sistema. Ejemplos de esta tendencia son: sistemas expertos con redes neuronales; sistemas expertos difusos; modelos híbridos para procesos que integran subprocesos continuos y batch; controladores predictivos híbridos; controladores lógicos programables con control PID. En general los métodos cualitativos están relacionados con la Informática. Se engloban bajo el nombre de Inteligencia Artificial o Sistemas Inteligentes. Entre éstos se encuentran los Sistemas Expertos o Sistemas basados en Conocimiento.

38.

4.2 CONCEPTOS FUNDAMENTALES DE SISTEMAS EXPERTOS • • Referencia: Harmon, P. and King, D. Expert Systems, John Wiley and Sons, 1985. Un sistema experto es un programa computacional que se comporta como un experto humano en un dominio especializado del conocimiento: Resuelve problemas del nivel de complejidad que maneja el experto. Utiliza un “modelo computacional” del proceso de razonamiento del experto. Es capaz de explicar este razonamiento en base al modelo computacional. La definición enfatiza que un sistema experto debe tener un grado de competencia similar al de los expertos humanos. Un sistema experto está basado en conocimiento, el que se almacena en una Base de Conocimientos, en forma separada al mecanismo de razonamiento y utilizando un mecanismo de representación, por ejemplo reglas IF ... THEN. Emplea heurísticas y procesamiento simbólico, y es capaz de explicar las decisiones que toma. Por el contrario, un programa convencional está basado en algoritmos, es decir, en procedimientos definidos por pasos elementales. Generalmente está orientado al procesamiento numérico y utiliza bases de datos. Un sistema experto es adecuado para enfrentar un determinado problema si: Los expertos son capaces de explicar los métodos mediante los cuales resuelven los problemas en su dominio. La naturaleza de los problemas requiere de manipulación simbólica. La formulación de soluciones requiere de habilidades cognitivas y soluciones heurísticas. Figura 4.1: La Evolución de los Sistemas Expertos.

• •

• •

39.

INGENIERIA DEL CONOCIMIENTO • El conocimiento es una colección integrada de hechos y relaciones que cuando se utilizan, generan un comportamiento competente. Se distingue entre conocimiento profundo y conocimiento superficial. El conocimiento profundo corresponde al de las teorías básicas, los principios, los axiomas y los algoritmos en un determinado dominio. El conocimiento superficial corresponde al obtenido por la experiencia y normalmente está constituido por hechos y reglas prácticas. Generalmente son simplificaciones de los algoritmos. La Ingeniería del Conocimiento comprende tres temas fundamentales: Adquisición del conocimiento. Representación del conocimiento. Integración del conocimiento en un sistema computacional.

• •

• -

40.

ADQUISICIÓN DEL CONOCIMIENTO • • Es el proceso mediante el cual se localiza, recolecta y refina el conocimiento que dará origen al sistema experto. La principal fuente de conocimiento está constituida por los expertos humanos en el dominio de aplicación; otras fuentes son textos, manuales y documentos. El conocimiento generalmente se adquiera en base a entrevistas estructuradas en las que participan el desarrollador o “Ingeniero de Conocimiento” y los expertos. También existen herramientas de software específicamente para apoyar el proceso de adquisición del conocimiento. En las entrevistas el Ingeniero de Conocimiento formula preguntas, problemas o casos de estudio y los expertos dan soluciones a partir de las cuales el Ingeniero extrae conceptos que formaliza empleando los mecanismos de representación. Para tener éxito en el proceso es fundamental asegurar la colaboración de los expertos.

41.

• - REDES SEMÁNTICAS • • Una red semántica es una colección de objetos llamados nodos conectados por arcos o enlaces. Los enlaces relacionan objetos y descriptores. acontecimientos o categorías abstractas. que resumen el conocimiento del experto.REPRESENTACIÓN DEL CONOCIMIENTO • El conocimiento que se desea representar y almacenar en la Base de Conocimientos incluye los hechos y las relaciones que existen entre estos hechos. . o bien entes conceptuales como actos. Figura 4. Los descriptores proporcionan informaciones sobre los objetos. Los objetos pueden ser objetos físicos visibles o tangibles. Los mecanismos de representación más utilizados son: Las redes semánticas Las triplas objeto-atributo-valor Las reglas Los marcos Las expresiones lógicas.2: Base de conocimientos del detective • • 42. Los nodos se utilizan para representar objetos y descriptores.

La primera (la premisa o antecedente) está formada por una o varias cláusulas SI que establecen las condiciones que han de satisfacerse para que pueda afirmarse una segunda parte ENTONCES (la conclusión o consecuente). Estructura de una regla: SI < premisa > ENTONCES < conclusión > • • Ejemplos de reglas en detección y diagnóstico El mecanismo de reglas es una representación muy simple y flexible del pensamiento humano por lo que permite transferir muy fácilmente el conocimiento de un experto a un programa computacional. El mecanismo de reglas permite establecer jerarquías e incorporar incertezas. . Una regla es una sentencia condicional que tiene dos partes. Ejemplo de tripla objeto-atributo-valor: Objeto: Chaqueta de Wilson Atributo: Fondo de los puños Valor: Gastados y brillantes • • REGLAS • Las reglas sirven para representar relaciones y pueden utilizarse con representaciones Atributo-Valor o con representaciones ObjetoAtributo-Valor.TRIPLAS OBJETO-ATRIBUTO-VALOR • Los atributos son características generales o propiedades asociadas a los objetos. El valor especifica la naturaleza concreta del atributo en una situación determinada. • • • 43.

fc(B)) • También las reglas pueden ser inciertas.INCERTEZA • • En un sistema experto. . Se cumple: fc(A OR B) = máximo (fc(A). la incerteza puede incorporarse empleando: Factores de confianza Redes bayesianas Lógica difusa Los factores de confianza asignan un peso numérico a un hecho o relación. se cumple: fc(conclusión) = fc (premisa) * fc(regla) /100 • Redes bayesianas Se basan en el teorema de Bayes: P (H | E ) = P (E | H ) * P (H ) P (E ) • Lógica difusa La lógica difusa es una alternativa a la lógica convencional. Si el factor de confianza se expresa en porcentaje. que agrega a los elementos “verdadero” y “falso” valores intermedios. fc(B)) fe(A AND B) = mínimo (fc(A). 44.

se puede concluir que A es falso. “Modus ponens”: Si existe una regla “SI A ENTONCES B”. . considerando las reglas y los hechos existentes en la Base de Conocimiento. se puede concluir que B es verdadero. y B es falso. • • ESTRATEGIAS DE CONTROL • Desde el punto de vista del control. Cómo seleccionar qué regla procesar. y si es posible. Las estrategias de inferencia que más se emplean en sistemas expertos están basadas en la aplicación de las reglas lógicas denominadas “modus ponens” y modus tollens”. cuando existen varias alternativas. el Motor de Inferencias debe resolver dos problemas: Cómo iniciar el proceso de razonamiento. Para realizar estas tareas utiliza estrategias de inferencia y estrategias de control. MOTOR DE INFERENCIAS • • • El Motor de Inferencias realiza dos tareas principales: Examina los hechos y las reglas. añade nuevos hechos Decide el orden en que se hacen las inferencias. 45.COMPONENTES DE UN SISTEMA EXPERTO • Figura: Arquitectura de un Sistema Experto. y A es verdadero. “Modus tollens”: Si existe una regla “SI A ENTONCES B”.

por ejemplo en clasificación de muestras. Este mecanismo se denomina también “impulsado por objetivos” y se utiliza preferentemente en sistemas en que los resultados posibles son conocidos. • Encadenamiento hacia atrás o “backward chaining” Se intenta determinar si la regla objetivo es correcta.• • Las estrategias de control presentan diversas clasificaciones: Encadenamiento hacia adelante y encadenamiento hacia atrás Búsqueda en profundidad y búsqueda en extensión Razonamiento monotónico y razonamiento no monotónico. Encadenamiento hacia delante o “forward chaining” Se construye el objetivo o se elabora la solución. o bien hasta que se determine que esto no es efectivo. para lo cual se consideran sus premisas y se trata de comprobar que a su vez éstas son correctas. el proceso termina cuando se alcanza un objetivo o se agotan las posibilidades. el Motor de Inferencias genera un subobjetivo. buscando el máximo detalle. . en sistemas para diseño de planes. se establecen nuevos hechos y se determina qué nuevas reglas pueden procesarse. Se asocia a las personas especialistas. • Búsqueda en profundidad Siempre que puede. 46. diagnóstico médico y diagnóstico de fallas. de esta manera. se retrocede a lo largo de las reglas hasta encontrar hechos que indiquen que todas las premisas previas son correctas. por ejemplo. Este mecanismo se denomina también “impulsado por datos” y es el más apropiado en el caso de sistemas expertos que construyen soluciones a partir de especificaciones. para lo cual se consideran primero todas las reglas cuyas premisas son verdaderas. lo cual conduce a determinar otras reglas que podrían confirmar estas premisas.

Se asocia a las personas generalistas.3: Principales tipos de estrategias de búsqueda Ejemplo de métodos de encadenamientos Hechos: a) b) c) Fido es un perro Lika es un perro Los perros son animales Reglas: 1) 2) 3) SI X es un perro ENTONCES X tiene cola SI X es un animal ENTONCES X tiene cabeza SI X es un perro ENTONCES X es un animal Hecho que se desea probar: Fido tiene cabeza Si bien en este caso pueden utilizarse ambos mecanismos de encadenamiento. el camino determinado como óptimo en un proceso de planificación puede dejar de serlo cuando se recibe nueva información. 47. • Razonamiento monotónico Todos los valores que se obtienen para los atributos quedan marcados y permanecen siempre como verdaderos.• Búsqueda en extensión El Motor de Inferencias barre todas las premisas de la regla antes de profundizar en búsqueda de más detalles. • Razonamiento no monotónico En este caso los hechos verdaderos pueden anularse. . Por ejemplo. backward chaining es el más apropiado. • • Figura 5.

. capaz de resolver problemas de mayor complejidad o enfrentarlas en forma más apropiada. formulan los objetivos globales del sistema y definen las necesidades de hardware y software.ETAPAS EN EL DESARROLLO DE UN SISTEMA EXPERTO • Para el desarrollo de un sistema experto. El desarrollo incremental presenta la siguiente evolución: Prototipo inicial Prototipos intermedios Prototipo de trabajo Modelo productivo Sistema comercial. En esta etapa se estudia también la relación costo-beneficio esperada. Identificación. el desarrollador define los objetos y sus interrelaciones. se recomienda utilizar un esquema “incremental de prototipos”. La evaluación del sistema permite refinar la Base de Conocimientos y desarrollar una segunda versión. Conceptualización. A partir de su interacción con el experto. El desarrollo de un sistema experto comprende las siguientes etapas (si bien en casos especiales algunas pueden no considerarse): Identificación Conceptualización Formalización Implementación Prueba Integración Mantenimiento. • • • • 48. los mecanismos de solución de problemas y los datos que el experto utiliza en dichas soluciones. en el cual el sistema experto resuelve primeramente un problema simple. Los desarrolladores y expertos identifican los problemas y subproblemas.

La evaluación la llevan a cabo los expertos quienes sugieren aspectos en que el sistema debe ser mejorado. Mantenimiento. y la capacitación de los usuarios. Una vez terminado el desarrollo del sistema experto comercial. equipos e instrumentos. Implementación. • • • • 49. Esta etapa considera la modificación de la Base de Conocimientos. lo cual incluye la conexión a bases de datos. En esta etapa se inicia el desarrollo incremental. éste se integrará a su entorno de trabajo. El conocimiento almacenado se organiza de forma de reflejar el mecanismo de razonamiento del experto. Integración. El conocimiento formalizado se incorpora al sistema experto. El resultado de esta etapa es un programa factible de ser probado. será necesario volver a la Implementación o inclusive a etapas anteriores. .• Formalización. utilizando alguna herramienta de desarrollo. lo que dependiendo del sistema puede ser realizado por un usuario experto o el desarrollador. Se evalúa el desempeño del sistema experto. Prueba. Los conceptos y relaciones identificados se expresan formalmente utilizando algún mecanismo de representación dado por las herramientas disponibles y las características propias del problema. revisando su capacidad para plantear soluciones a problemas y cumplir los requisitos impuestos por los expertos. para convertir el conjunto de reglas en un programa computacional. Dependiendo del resultado de las pruebas.

Lenguajes de programación tradicional (Fortran. La elección de la herramienta dependerá de los recursos disponibles. Lenguajes de programación orientados al desarrollo de aplicaciones de Inteligencia Artificial (Lisp. G2).LENGUAJES Y HERRAMIENTAS PARA EL DESARROLLO DE SISTEMAS EXPERTOS • • Las herramientas que pueden utilizarse para el desarrollo de un sistema experto se clasifican en: Herramientas o entornos especializados (KEE. por ejemplo. si existen requerimientos de tiempo real. Smalltalk). OPS5. las capacidades de los desarrolladores y las características de la aplicación. C. C++). Prolog. 50. . Nexpert.

sistema de consulta para geólogos en detección de yacimientos. Desarrollado hacia fines de los 60 en Carnegie Mellon. • • • • • • • 51. ayuda a los médicos en el diagnóstico y tratamiento de infecciones de meningitis y bacteriemia. Delta/Cats (Diesel-Electric Locomotive Troubleshooting Aid/ Computer Aided Troubleshooting System). programado en Lisp y reprogramado en Forth. . Apoyo a supervisores de sondeo para resolver problema de atascamiento del taladro en la perforación de pozos. Prospector. 1200 reglas. Internist. Desarrollado en 1964 en Stanford. Fue el primer sistema que separó claramente la Base de Conocimientos y el Motor de Inferencias. Drilling Advisor. Desarrollado en los años 70 en Stanford. Hearsay. examina un análisis espectroscópico de una molécula desconocida y predice qué estructuras moleculares pueden explicar ese análisis. Mycin. Desarrollado a fines de los 70 en Stanford. Desarrollado a principios de los 70 en Pittsburg. apoya a un genético molecular en el diseño de experimentos complejos para determinar la naturaleza de una molécula de ADN. comprende el lenguaje hablado.APLICACIONES DE SISTEMAS EXPERTOS • Dentral. Genesis. Desarrollado en Stanford a mediados de los años 70. asistencia al personal de mantenimiento en diagnóstico y reparación de fallas en locomotoras Diesel. Desarrollado por General Electric en 1982. diagnóstico en medicina interna.

El sistema debe hacer frente a eventos no programados previamente que lo interrumpen asíncronamente y que pueden variar en importancia relativa.3 SISTEMAS EXPERTOS EN TIEMPO REAL • Los sistemas en tiempo real deben hacer frente a una serie de características propias de la aplicación. Elevada capacidad de procesamiento. Razonamiento temporal. - - - - - 52. las que plantean requerimientos particulares: Interfaz con ambiente externo. en el presente y en futuro. Puede requerirse tiempos de respuesta muy cortos. Eventos asíncronos. Los datos se adquieren de sensores. Datos inciertos o que faltan. El sistema debe operar sin detenerse. hasta que ocurra un evento externo o sea detenido por un usuario. El sistema debe razonar acerca de eventos ocurridos en el pasado. El sistema experto en tiempo real debe integrarse con software de tiempo real convencional. Integración con componentes procedurales. pero en un tiempo máximo predefinido. Tiempos de respuesta garantizados. . Falta de monotocidad. Los datos no permanecen estáticos. en sistemas aerodinámicos.4. como consecuencia. así como sobre la secuencia en que ellos ocurren. por ejemplo 100 mseg. puede generarse un requerimiento creciente de memoria (“garbage collection”). Puede haber por fallas en sensores o sistemas de transmisión. lo cual constituye una fuerte exigencia si la Base de Conocimientos incluye muchas reglas que deben ser procesadas. Se requiere producir la mejor respuesta posible. varían en el tiempo y pierden validez. Operación continua.

inicialmente en Common Lisp. petroquímica e industria aerospacial. • • 53. G2. Ha sido utilizado en numerosas aplicaciones incluyendo sistemas de energía. se ha constituido en un estándar mundial. Incluye ejecución recursiva de reglas y procedimientos. FORTH Personal Consultant. Basado en LISP y desarrollado por Texas Instruments.LENGUAJES Y HERRAMIENTAS PARA EL DESARROLLO DE SISTEMAS EXPERTOS EN TIEMPO REAL • • • IF/PROLOG. el motor de inferencias emplea encadenamiento hacia atrás. Primer sistema experto comercial desarrollado inicialmente en Lisp y después reprogramado en C. Los hechos se representan como triplas objeto-atributovalor. Desarrollado por Gensym Corp. modelos y procedimientos. . diagnóstico y control de eventos dinámicos en línea. con factores de confianza. Prolog para ambientes de tiempo real. PICON (Process Intelligent Control). Ofrece un ambiente gráfico orientado al objeto para crear aplicaciones inteligentes relacionados con monitoreo. Ofrece un lenguaje natural y estructurado para crear reglas.

En supervisión y control: Supervisión de señales Control inteligente Sistemas de supervisión inteligente Detección y diagnóstico de fallas. 54. En comunicaciones: Interpretación de reportes diarios de buques Interpretación de comunicaciones de radio.APLICACIONES DE SISTEMAS EXPERTOS EN TIEMPO REAL • • • • • En medicina: Intérprete de electroforesis Análisis de EEG Monitoreo respiratorio y anestésico Monitoreo de recién nacidos Monitoreo de pacientes con asistencia ventilatoria mecánica. En la industria aeroespacial: Monitoreo predictivo y reconfiguración de sensores de navegación Análisis de errores de telemetría Control de órbita satelital Apoyo a la navegación en le reingreso a la atmósfera Evaluación de situaciones y manejo de emergencias Planificación táctica y de rutas. . En robótica: Generación de planes en vehículos autónomos guiados.

En su primera versión incluía 64 reglas de producción y 400 en la definitiva. . Regla de PUFF: SI (1) A: La relación entre los volúmenes máximos espirados por segundo. Utiliza encadenamiento hacia atrás. observada y predicha.4: Pantalla de PUFF correspondiente al análisis de un paciente. ENTONCES: Existe bastante evidencia (0. observada y predicha. está entre 35% y 45%. UN SISTEMA DE DIAGNOSTICO DE ENFERMEDADES PULMONARES • Se construyó en Stanford en 1979 para interpretar los resultados de una prueba de función ventricular.8) de que el grado de enfermedad obstructiva de las vías respiratorias es moderado. y B: La relación entre las capacidades vitales forzadas. El 85% de sus informes se acepta sin modificaciones. es menor que 80%. está entre 25% y 35%. observado y predicho. o • A: La relación entre los volúmenes máximos espirados por segundo. y B: SI (2) La relación entre las capacidades vitales forzadas.CASO DE ESTUDIO: PUFF. 55. • Figura 9. observado o predicho. es mayor que 80%.

4. SISTEMAS EXPERTOS EN SUPERVISIÓN DE SEÑALES • • Se emplean funciones lógicas que pueden representarse en forma de reglas para: Supervisar que una variable y(t) se mantenga en un rango apropiado de operación. supervisando que la variable z(t) no se aleje del rango especificado.4 SISTEMAS EXPERTOS EN SUPERVISIÓN Y CONTROL • • Los sistemas expertos se aplican en variadas funciones de supervisión y control: Supervisión de señales Control inteligente Sistemas de supervisión inteligente. Controlar una variable y(t). . Un sistema de supervisión de señales incluye reglas como: SI y(t) < y1 ENTONCES Mensaje 1 SI y2>= y(t) >= y1 ENTONCES Mensaje 2 SI y(t) > y2 ENTONCES Mensaje 3 56. Dependiendo de la aplicación pueden utilizar forward chaining (para control) o backward chaining (para supervisión) como mecanismo de inferencia. En general estos sistemas representan el conocimiento en base a reglas. Controlar dos variables con una sola variable manipulada (control por override).

que reproducen las acciones que realiza un operador muy capacitado en un proceso específico. PI. PID) Comprobar que la variable controlada y(t) está dentro de límites Comprobar que la referencia r(t) está dentro de limites Limitar la variable manipulada u(t) Limitar la velocidad de variación de u(t) Incorporar filtraje de señales Incorporar funciones de compensación de no linealidades Activar la función de reset antiwindup Gestionar el techado y la pantalla de visualización. PD.• - En un controlador PID también existen funciones lógicas que pueden representarse en forma de reglas para: Seleccionar el modo de operación (P. - 57. CONTROL INTELIGENTE • Con el nombre de “control inteligente” se designa una familia de controladores. . por ejemplo para sintonizar controladores. Controladores basados en reglas de operación. que incluyen: Controladores expertos que reproducen las funciones de control regulatorio del PID. pero implementadas en base a reglas. por lo cual son muy dependientes del proceso. Controladores que incorporan el conocimiento de Ingenieros de control.

de(k) Montos asociados a los valores lingüísticos de du(k). ENTONCES aumente u(t) en ∆u SI e(t) es cero . b1 a b6. “positivo”.CONTROL EXPERTO REGULATORIO • En su forma más simple. “negativo”. “cero” y asignar un valor a ∆u. Por ejemplo: “grande” es mayor que 80% “positivo” es mayor que 10% “negativo” es menor que –10% “cero” es de módulo menor que 10% ∆u = 5% CONTROL PI EXPERTO • Las Tablas I y II presentan el conjunto de reglas de un sistema experto que implementa las funciones de un controlador PI (proporcionalintegral). du(k) Rangos asociados a los valores lingüísticos de e(k). c1 a c6. • • • • - . ENTONCES mantenga u(t) • Para ejecutar el conjunto de reglas el sistema de control experto. ENTONCES disminuya u(t) en ∆u SI e(t) es grande y negativo. Tabla I: Matriz de estado en función de e(k). 58. de(k) Tabla II: Reglas de control du(k) = F (e(k). Figura: definición de los “estados lingüísticos” a1. a2. de(k)) Parámetros de diseño: Número de valores lingüísticos de e(k). se formula reglas de control linguístico: SI e(t) es grande y positivo. se necesita definir los términos “grande”. a3.

SISTEMAS EXPERTOS EN SINTONÍA DE CONTROLADORES • EXPERTUNE Desarrollado por Gerry Engineering Software. que por ejemplo adecua el factor de olvido del algoritmo de estimación a partir de las condiciones de ruido imperantes. El método requiere introducir una perturbación en el proceso y el propio controlador realiza el análisis de la respuesta para determinar el nuevo conjunto de parámetros óptimos (ganancia proporcional. . tiempo derivativo). El proceso de estimación de parámetros se supervisa con un sistema experto. • EXACT (Expert Adaptive Controller Tuning) Desarrollado por Foxboro. Corre en un PC e incorpora también funciones de adquisición y análisis de datos. la que es utilizada por los instrumentistas para sintonizar los parámetros de controladores. ha sido utilizado en numerosas instalaciones para ajustar parámetros de controladores industriales. incorpora una metodología similar a la de Ziegler-Nichols pero basada en reconocimiento de patrones. el sistema experto tiene interfaces con programas desarrollados en lenguajes convencionales. por ejemplo. existen sistemas expertos especializados en el diseño de sistemas de control. • También existen controladores adaptivos que incluyen estimación en línea y en tiempo real de parámetros de modelos. • 59. simuladores y rutinas de optimziación y cálculo matricial. Asimismo. tiempo integral. En estos casos.

por ejemplo mediante alarmas Realiza acciones necesarias para superar dicha situación. Las diferentes funciones de un sistema de supervisión inteligente se basan en heurísticas que sintetizan el conocimiento de operadores y expertos en el proceso. De acuerdo a la aplicación específica. o bien Realiza acciones para optimizar en algún sentido la operación. componentes o instrumentos Sistemas de detección y predicción de contingencias Sistemas de procesamiento e interpretación de alarmas Sistemas de puesta en marcha y parada de plantas Sistemas de evaluación de seguridad Sistemas de restauración de la operación Sistemas de predicción de demanda (de energía.SISTEMAS DE SUPERVISIÓN INTELIGENTE • • Un sistema de supervisión inteligente realiza las siguientes tareas: Analiza las variables adquiridas por los sensores A partir de este análisis reconoce la situación operacional La informa al operador. . • • - 60. y por tanto emulan a un operador experimentado. de agua) Sistemas de planificación de operaciones Sistemas de supervisión optimizante. existen diferentes variantes de sistemas de supervisión inteligente: Sistemas de ayuda a la operación Sistemas de detección y diagnóstico de fallas de equipos. En algunos casos el sistema de supervisión inteligente integra funciones de sistemas expertos con algoritmos numéricos.

S. 11-15. interactuando con sistemas expertos.CARACTERISTICAS DE LA APLICACION EXPERTOS EN SUPERVISIÓN Y CONTROL • • DE SISTEMAS Referencia: Shirley. R. - 61. 1987. Some lessons learned using expert systems for process control. IEEE Control Systems Magazine. . pp. Falcon y Personal Consultant: Los sistemas expertos no son una panacea Los sistemas expertos no son expertos Existe (y sigue existiendo) un gran interés en sistemas expertos Existe un amplio espectro de clases de sistemas expertos. Shirley sintetizó en 17 lecciones su experiencia de varios años en Foxboro Co. 6. cada una con características propias El costo de desarrollo de los sistemas expertos se ha ido reduciendo Las herramientas utilizadas en el desarrollo de un sistema experto no necesitan ser las mismas que aquellos empleadas por el producto La interfaz de usuario es fundamental en un sistema experto Los sistemas expertos no actúan aislados La Base de Conocimientos es clave Un sistema experto necesita heurísticas y principios básicos (fenomenología) Los frames (marcos) son un buen formato para representar el conocimiento Las reglas generales son más poderosas que las reglas específicas Un sistema experto necesita datos Un ambiente de software poderoso aumenta la productividad de los programadores La capacidad computacional y la memoria no son infinitas Los sistemas expertos requieren control de calidad. en especial con Exact. 7.

Taiwán Power Co. desarrollados para Energy Management Systems por EPRI. Washington Sistema de diagnóstico experto de turbinas Westinghouse • • • • • 62. y Puget Sound Power and Light.SISTEMAS EXPERTOS EN SISTEMAS ELÉCTRICOS • • • • Alfa. Sistema de monitorización en tiempo real de una central nuclear Toast. Sistema de apoyo a operadores en sistemas de energía Sistemas de procesamiento inteligente de alarmas y control de contingencias. Sistema experto distribuido para diagnóstico de fallas desarrollado para Allegheny Power Systems Sistema para monitorización de estabilidad y diagnóstico de fallas en el sistema de generación hidráulica de New Brunswick Sistema experto parta localizar fallas en el centro de Control de Taiwán Power Co. Sistema de predicción de demanda eléctrica con un horizonte de 48 horas Cealmon. . Electric Power Research Institute Sistema experto para localización y diagnóstico de fallas.

Sistema de monitorización y análisis de fallas para plantas químicas desarrollado por Du Pont Sedaft. Sistema para detección y diagnóstico de fallas en tiempo real del sistema de lubricación de una turbina de propulsión de un buque Falcon (Fault Analizer Consultant). .SISTEMAS EXPERTOS EN LA INDUSTRIA DE PROCESOS • • • • • • • • • Sistema experto para supervisión de la planta de purificación de agua de Toyoiwa. Sistema experto de apoyo a la operación de una planta de flotación de minerales. Outokumpu Control experto de una planta de molienda semiautógena. Dizon Sistema experto de apoyo a la supervisión de plantas de lixiaviación. Sistema experto para detección y diagnóstico de fallas en la línea Norte Sur del metro de Sao Paulo Sistema de control del metro de Tokio y Sendai 63. Canmet Stochasm. Akita City Sistema experto para el control de un alto horno en Kawasaki Steel Co.

. 1996) 64. 1988) Sistema de supervisión inteligente del sistema de lubricación de un molino semiautógeno (Escobedo. 1994) Sistema experto para predicción de demanda eléctrica (Prina. 1994) Sistema experto para el control de voltaje y despacho de potencia reactiva (Talavera. 1990) Sistema de control experto para planta de flotación (Ríos.SISTEMAS EXPERTOS DESARROLLADOS EN CHILE • • • • • • • • Control experto de molienda semiautógena (Muñoz. 1991) Procesamiento inteligente de alarmas en sistemas SCADA/EMS (Murray. 1990) Control experto de flotación columnar (Atero. 1995) Sistema experto para procesamiento inteligente de señales fisiológicas adquiridas por monitores computarizados (Oberli.

• • • • • 65. Para cada estado se define una acción que aumenta. las perturbaciones. Onspec corre en un PC que se comunica en forma serial con un sistema de control distribuido TDC 3000. En términos muy simplificados. mínima ley de cola y mínimo consumo de reactivos. . El sistema experto se desarrolló para una matriz de estado de dimensión 3x3. la planta presenta dos variables controladas (la ley de concentrado y la ley de cola) y dos variables manipuladas (el flujo de colector y la referencia media del nivel de pulpa en las celdas). las realimentaciones y la falta de modelos validados. El módulo Superintendent es un sistema experto en tiempo real que permite programar reglas y modificarlas en línea. Los objetivos de control se sintetizan en: máxima ley de concentrado. utilizando el módulo Superintendent del software de automatización Onspec. Las relaciones entre variables controladas y variables manipuladas son las siguientes: La ley de concentrado presenta un máximo respecto al flujo de colector La ley de cola disminuye con el flujo de colector Las leyes de concentrado y cola disminuyen con el nivel de pulpa.SISTEMA DE APOYO EXPERTO PARA UNA PLANTA DE FLOTACION DE CONCENTRADO DE COBRE • El proceso de flotación de concentrado presenta diversas complejidades. debidas al número de celdas que integran la planta. mantiene o disminuye las variables manipuladas. A partir de estos objetivos de control y otras consideraciones de operación es posible formular una estrategia de control basada en una matriz de dimensión mxn (m estados para la ley de concentrado y n estados para la ley de cola).

que aceptan los valores cero (0).4. .5 • • MODELACION CUALITATIVA Referencia: Kuipers. La simulación cualitativa predice el conjunto de posibles estados futuros a partir del estado inicial y de las restricciones que componen el modelo cualitativo. relaciones basada en la fenomenología del proceso. • • • - 66. 4. Automatica. La modelación cualitativa permite incorporar en el desarrollo de un sistema inteligente de supervisión. B. Qualitative reasoning: modeling and simulation with incomplete knowledge. Estas relaciones describen el comportamiento causa-efecto del proceso y predicen y explican su respuesta a situaciones específicas. 1989. positivo (+) y negativo (-) La variación en el tiempo de estas variables δ Las operaciones suma. 571-585. Los elementos que se utilizan habitualmente en modelación cualitativa son: Las variables cualitativas. resta y multiplicación Una clase de funciones monótonamente crecientes M. 25. Las relaciones se denominan restricciones o confluencias. Un modelo cualitativo es un paso intermedio entre los diagramas de influencia entre variables y los modelos cuantitativos formulados por ecuaciones diferenciales. pp.

. recibe el nombre de Diagrama de relaciones restrictivas. δvolA. δvolB. presB. flujoA. flujoB. presA. definidas por las siguientes tablas: SUMA 0 0 + 0 + + + + ind ind MULT 0 + 0 0 0 0 + 0 + 0 + • El modelo se puede expresar también en forma de un diagrama de bloques en que los bloques son las restricciones. resta y multiplicación. 67. volB. flujoB Las restricciones que componen el modelo cualitativo son: presA= M(volA) presB = M(volB) presAB = presA – presB flujoAB = M(presAB) δvolA = flujoA – flujoAB δvolB = flujoAB – flujoB • Las relaciones que componen el modelo pueden incluir las operaciones cualitativas suma.• Ejemplo: Modelo cualitativo de un sistema hidráulico de dos estanques AyB Las variables cualitativas del modelo son: volA. pres AB.

• 68. La misma técnica puede utilizarse para deducir qué acciones o planes deben ejecutarse para alcanzar un objetivo dado. Si en la revisión de las restricciones siguientes se produce una contradicción.• El algoritmo de simulación de modelos cualitativos más utilizado es el de Propagación de restricciones. para reiniciar la propagación. se les asigna un valor presuntivo de modo que la restricción se cumpla y que la propagación siga su curso. según el cual las restricciones se revisan sucesivamente. . Si existen variables con valores por determinar. implica que el valor asigna es incorrecto y que debe ser modificado (“backtracking”).

33. en caso contrario el nodo tiene un valor 0. para cada variable se define un rango de tolerancia. M. Los arcos asociados a los nodos toman los valores + o – indicando si la causa y el efecto cambian en la misma dirección o en la dirección contraria.4. modelación cualitativa u otras técnicas para representar las relaciones-causa efecto.6 SISTEMAS EXPERTOS EN DIAGNOSTICO DE FALLAS • Referencia: Kramer. En su diseño se emplean Grafos direccionados con signo. El estudio consiste en propagar las desviaciones en los nodos que representan las variables medidas a través de los arcos consistentes hasta identificar el nodo raíz.2: Grafo direccionado para el síntoma 1 Figura 12.140. representan fallas del sistema. . 1987. pp 130. Un arco es consistente si el producto de los signos del nodo causa por el signo del arco por el signo del nodo efecto es positivo. para ello se estudian los síntomas. Un signo + o . Las fallas se diagnostican localizando los nodos que siendo raíces del grafo. Malfunction diagnosis using quantitative models with non-boolean reasoning in expert systems. 1. Los sistemas expertos encuentran amplia aplicación en el diseño de sistemas de diagnóstico de fallas. AIChE Journal. fallas de componentes o subsistemas.3: Grafo direccionado para el síntoma 2 • • • • • 69.en un nodo indica que esa variable tiene un valor mayor o menor que el rango permitido.2: : Sistema de un estanque Figura 12. Figura 11. sensores. A. Al igual que en modelación cualitativa. • DIAGNOSTICO EMPLEANDO GRAFOS DIRECCIONADOS CON SIGNO • En estos grafos los nodos describen variables de proceso.1: Grafo direccionado con signo Figura 12.

ambas fallas originan el mismo síntoma y por eso no existe un diagnóstico único. Síntoma 2: “h y Fo están disminuyendo”.• Síntoma 1: “h está aumentando mientras Fo está disminuyendo”. El análisis de consistencia del grafo indica que el responsable del síntoma es el nodo asociado a la válvula. • 70. En este caso el análisis de consistencia indica que los posibles nodos responsables son los correspondientes a las fugas en las cañerías. .

-. . y. la hipótesis Hi* que se cumple es: Ci* = Ci+ Ci* = Ci0 Ci* = Ci→ Hi* = Hi+ → Hi* = Hi o → Hi* = Hi - 71. esto es (Ci0): .DIAGNOSTICO EMPLEANDO MODELACION CUALITATIVA • Para propósitos de diagnóstico. se satisface la hipótesis Hi. entonces la hipótesis que se satisface es: H i0 = ~ H i+U H i ( − ) • • El método propuesto asume que en un instante dado sólo se presenta una falla (no hay fallas simultáneas). y. z) < . si Ci* designa el valor de la restricción Ci. z) = 0 • - Entonces. y. hay tres posibilidades para la restricción Ci: Que se satisfaga para una tolerancia toli. esto es (Ci+): Fi(x. De esta forma. z) < = toli - Que se viole positivamente. Si no hay falla presente. esto es (Ci -): Fi(x.toli <= Fi(x. una restricción Ci que forma parte del modelo cualitativo se plantea como: Fi(x. z) > toli - Que se viole negativamente.toli • Si una falla f causa que se viole positivamente la restricción Ci. y. Si la falla f es causa de que se viole negativamente la restricción Ci. entonces se satisface la hipótesis de falla Hi +.

D} = {D} DIAGNOSTICO DE FALLAS EN REACTOR QUÍMICO BAJO CONTROL • • • • • Figura 5: Flowsheet del proceso Tabla 2: Lista de fallas posibles Tabla 3: Restricciones y conjuntos de fallas Estado: todas las restricciones se cumplen. L . C . B . C2 = low b) C1 = normal.U .W }∩ S1 = {H . K . M . F . . D} = {A} b) ~ {A. M . J . Z .V . X .U . X } ∩ ~ {D . C y D. D Restricción C1 Restricción C2 • El ejemplo considera las fallas A. A} ∩ ~ {L .C }∩ {A. excepto la restricción C3 que es negativa. Entonces: Se concluye que sólo son posibles las fallas H y W ya que S = ~ {D .V ∩ ~ {K . S }∩ {H .Q . E . K .W } S 1 = ~ {P . B . R . H+ A. R . N .Y . B.C . ∩ H n * • Ejemplo: Tabla de fallas para el ejemplo.V .• La hipótesis de falla única permite diagnosticar la falla como: * * S = H1 ∩ H 2 ∩ . Q . C2 = low • Entonces: a) {A. L .T . B B HC A. N . Se desea diagnosticar la falla presente en los siguientes casos: a) C1 = high . K ..Y }} 72.. B}∩ {A. J 1 .

Sign up to vote on this title
UsefulNot useful