Maturín Abril 2015

Introducción

En la actualidad la acción de supervisar los procesos de automatización se ha vuelto primordial en las industrias ya que la misma proporciona soporte a la sistematización en el seguimiento de los mismo, automatizando en la medida que sea posible, tareas como son el análisis de datos, detección de fallos, diagnostico de lo mismo, toma de decisiones o proponer acciones concretas haciendo uso para ello de toda información disponible.

Para lograr la debida supervisión es necesario conocer todos los métodos y herramientas necesarias para poder realizar la toma de decisiones, los cuales pueden proporcionar una representación grafica, representaciones analíticas donde se toma en cuenta el conocimiento y la inteligencia artificial.

1

Índice

Introducción......................................................................................................................................2

Índice..................................................................................................................................................3

Marco Teórico..................................................................................................................................4

Imprecisión. Representación del conocimiento mediante lógica difusa..............................4

Sistemas expertos.......................................................................................................................5

Usos de un Sistema Experto..................................................................................................5

Aprendizaje. Redes Neuronales................................................................................................6

Razonamiento basado en casos...............................................................................................7

Reconfiguración y soporte al usuario.......................................................................................7

Discusión..........................................................................................................................................9

Conclusiones..................................................................................................................................11

Bibliografía......................................................................................................................................12

2

Marco Teórico

Imprecisión. Representación del conocimiento mediante lógica difusaConocido también como lógica difusa donde los procesos de decisión las

conclusiones o decisiones no siempre pueden tener estrictamente la forma de si/no, verdadero/falso. La complejidad de un problema o las condiciones vagas, inciertas, siempre llevan conclusiones intermedias, transitorias o vagas. Para tratar con estos problemas, debemos relajar la dicotomía verdadero/falso de la lógica bivaluada y permitir valores indeterminados o intermedios de verdad. En este caso la teoría de la lógica difusa da una posible solución al problema de la representación del conocimiento y del razonamiento.

Con conjuntos difusos se intenta modelar la ambigüedad con la que se percibe una variable. Los conjuntos difusos son la base para la lógica difusa, del mismo modo que la teoría clásica de conjuntos es la base para la lógica Booleana. Con los conjuntos difusos se realizan afirmaciones lógicas del tipo si-entonces, definiéndose estas con Lógica Difusa. Este tema es propio de inteligencia artificial, donde se intenta emular en pensamiento humano. Nuestro campo de estudio es el control industrial, debemos tener en cuenta la experiencia o base de conocimiento del operario, esto será útil para emular el comportamiento humano con una máquina, a pesar de ser esta muy limitada.

Las aplicaciones de la logística difusa son diversas. Un controlador difuso es un dispositivo que convierte una estrategia de control descrita por reglas lingüísticas en un algoritmo de control del proceso o sistema. Un supervisor difuso es un dispositivo que también utilizara reglas lingüísticas para llevar a cabo la capacidad humana de abrazar horizontes de información grandes, pero seleccionando detalles este conjunto de datos. En ambos casos el conocimiento humano, la experiencia y la inteligencia juegan un papel importante, fuera de toda duda.

Sistemas expertosSirve para codificar conocimiento humano en términos de experiencia,

razonamiento aproximado, imprecisión, analogía, razonamiento por defecto, aprendizaje entre otros. Específicamente se trata de representar el conocimiento experto en un sistema basado en reglas de producción para tener un ordenador que responda como lo haría el experto humano.

Es decir un sistema experto contiene un motor de inferencia que el encargado de recorrer las reglas inspeccionando si las puede aplicar, se encarga

3

de ejecutar el razonamiento , tiene también una base de conocimiento el cual contiene el conocimiento especializado extraído del experto en el dominio. Es decir, contiene conocimiento general sobre el dominio en el que se trabaja. El método más común para representar el conocimiento es mediante reglas de producción, tomando en cuenta que las reglas suelen almacenarse en alguna secuencia jerárquica lógica, pero esto no es estrictamente necesario. Se pueden tener en cualquier secuencia y el motor de inferencia las usará en el orden adecuado que necesite para resolver un problema, y por ultimo tiene una base de hechos que constituye el conjunto de evidencias junto con sus certezas asociadas.

A medida que se van aplicando las reglas se deducen nuevos hechos que se añaden a la base de hechos, hay dos tipos de motores de inferencia:

-Forward chaining: busca que reglas se pueden aplicar con la base de hechos actual. Para ello se recorren todas las reglas una a una inspeccionando las premisas para ver si se pueden ejecutar o disparar deduciéndose nuevos hechos que se insertan en la base de hechos y que pueden disparar otras reglas. El motor se para cuando no encuentra ninguna regla que se pueda disparar.

-Backwar chaining: en este caso, dado un hecho hipotético se buscan todas las reglas que concluyen ese hecho y se mira si sus premisas se pueden cumplir. Esto implica hurgar en la base de hechos para buscar hechos actuales que sean evidencia o bien puedan ser deducidos por otras reglas. El motor se para cuando no encuentra más reglas que puedan ser disparadas para deducir la hipótesis o bien encuentra la hipótesis deducida con una certeza calculada.

Usos de un Sistema Experto

Un sistema experto es muy eficaz cuando tiene que analizar una gran cantidad de información, interpretándola y proporcionando una recomendación a partir de la misma. Un ejemplo es el análisis financiero, donde se estudian las oportunidades de inversión, dependiendo de los datos financieros de un cliente y de sus propósitos.

Para detectar y reparar fallos en equipos electrónicos, se utilizan los sistemas expertos de diagnóstico y depuración, que formulan listas de preguntas con las que obtienen los datos necesarios para llegar a una conclusión. Entonces recomiendan las acciones adecuadas para corregir los problemas descubiertos. Los sistemas expertos son buenos para predecir resultados futuros a partir del conocimiento que tienen.

Cuando se necesita controlar un proceso tomando decisiones como respuesta a su estado y no existe una solución algorítmica adecuada, es necesario usar un sistema experto. Este campo comprende el supervisar fábricas automatizadas, factorías químicas o centrales nucleares. Estos sistemas son extraordinariamente críticos porque normalmente tienen que trabajar a tiempo real.

4

El diseño requiere una enorme cantidad de conocimientos debido a que hay que tener en cuenta muchas especificaciones y restricciones. En este caso, el sistema experto ayuda al diseñador a completar el diseño de forma competente y dentro de los límites de costes y de tiempo. Se diseñan circuitos electrónicos, circuitos integrados, tarjetas de circuito impreso, estructuras arquitectónicas, coches, piezas mecánicas, etc.

Aprendizaje. Redes NeuronalesEs un sistema de computación que puede actuar en la misma forma que

funciona el cerebro humano, o simularlo. Además, el software de red neuronal se puede usar para simular una red neuronal por medio de computadoras normales. La redes neuronales pueden procesar muchas piezas de información al mismo tiempo y aprender a reconocer patrones.

A diferencia de los sistemas expertos, un sistema de red neuronal aprende por ensayo y error.

Características:

-Capacidad de recuperar información incluso si falla alguno de los nodos neuronales.

-Modificación rápida de los datos almacenados como consecuencia de nueva información.

-Capacidad de descubrir relaciones y tendencias en grandes bases de datos.

-Capacidad de resolver problemas complejos para los cuales no se cuento con la información.

Debido a su constitución y sus fundamentos las redes neuronales ofrecen numerosas ventajas, que incluyen aprendizaje adaptivo, auto-organización, tolerancia a fallos y operación en tiempo real.

Entre las aplicaciones a la supervisión de procesos podemos destacar, filtrado de señales, reconocimiento de patrones, búsqueda en base de datos, segmentación, comprensión y función de datos y toma de decisiones. La utilización de redes neuronales en supervisión conlleva en muchas ocasiones la integración con otros tipos de herramientas.

El elemento básico de una red neuronal, es la neurona artificial que puede describirse de forma simple mediante un conjunto de funciones:

-Reglas de propagación: una neurona artificial recibe entradas de otros elementos de la red o del exterior. Cada una de estas entradas es ponderada por un peso, de forma que la entrada neta de una neurona se puede escribir como el producto escalar del vector de entrada por el vector de pesos.

5

-Función o reglas de activacion produce un nuevo estado de activación a partir del estado anterior y la combinación de las entradas con los pesos de las conexiones.

-Función de salida o transferencia: transforma el estado actual de activación en una señal de salida.

Una red neuronal se compone entonces de elementos básicos interconectados y estructurados en varias capas, entre ellas la entrada y la salida.

Razonamiento basado en casosConstituye un enfoque para reutilizar el conocimiento exístete para resolver

nuevos problemas. En muchos problemas complejos existen soluciones obtenidas como resultado de largos periodos de experimentación. Estas soluciones se basan en la experiencia extensa, prueba y error, intuición y experiencia personal de expertos del dominio, habilidad de las empresas, entre otros, pero no existe ningún modelo formal. El conocimiento no puede ser fácilmente codificado, por lo cual en estos casos uno de los enfoques más prometedores consiste en la aplicación del conocimiento ya existente sobre nuevos casos similares para resolverlos, quizás después de los ajustes o modificaciones necesarias.

El razonamiento basado en casos establece una metodología que dependiendo del problema y de la representación de conocimiento puede implementarse de diferentes formas. Puede usarse como método independiente o para apoyar y reforzar herramientas existentes, el razonamiento de casos comprende las siguientes actividades:

1. Recordar los casos similares al que analizamos.2. Reutilizar la información y el conocimiento que tenemos en

este caso para resolver el problema.3. Revisar la solución propuesta.4. Retener las partes de esta experiencia que nos puedan ser

útiles para la resolución de futuros problemas.

Reconfiguración y soporte al usuarioEl último paso de la supervisión es la determinación de las acciones

necesarias para restablecer el funcionamiento normal del proceso o para minimizar en lo posible el efecto de los fallos. Esta fase puede llamarse de reconfiguración y constituye el último paso para cerrar el lazo de supervisión.

En este aspecto, en la mayoría de los casos los sistemas de supervisión no actúan directamente sobre el proceso sino que se limitan a identificar o proponer acciones que después son llevados a cabo por los operarios o los ingenieros del proceso. La supervisión juega entonces un papel de soporte al usuario, sobre el que finalmente recae la responsabilidad.

6

La reconfiguración del proceso o determinación de las acciones correctoras se basan normalmente en la experiencia, en los conocimientos adquiridos sobre en funcionamiento del proceso o sobre la estructura del mismo. En este sentido, las herramientas de la inteligencia artificial anteriormente descritas pueden ser utilizadas en esta etapa de decisiones igualmente que en la etapa de diagnostico. De la misma forma que podemos deducir el origen de los fallos a partir de los síntomas o residuos, también podemos deducir las acciones correctoras a partir de los fallos diagnosticados.

En cualquier caso se trata de reconducir el proceso desde un estado anormal al estado normal con el mínimo coste posible. Desde este punto de vista el proceso de supervisión, aunque continuo, puede ser estudiado de forma más general como un sistema de eventos discretos, descrito mediante estados y transiciones, en los que cada estado representa una situación del proceso.

7

Discusión

Al momento de supervisar observamos situaciones anómalas las cuales necesitan una solución, para poder tomar la decisión que ayude a eliminar esta situación anómala necesitamos diagnosticar que está generando la situación, existen diversas herramientas que sirven para diagnosticar y tomar decisiones algunas de ellas son:

La Imprecisión, representación del conocimiento mediante lógica difusa se basa es tomar decisiones respondiendo muy parecido al ser humano, donde no se tiene un respuesta de si o no, si no respuestas que pueden ser confusas tales como tal vez, quizás por lo tanto se die que refleja cómo piensan las personas, porque responde tomando en cuenta características u otros.

Sistemas expertos son programas de ordenador diseñado para actuar como un especialista humano en un dominio particular o área de conocimiento. En este sentido, pueden considerarse como intermediarios entre el experto humano, que transmite su conocimiento al sistema, y el usuario que lo utiliza para resolver un problema con la eficacia del especialista. El sistema experto utilizará para ello el conocimiento que tenga almacenado y algunos métodos de inferencia.

Por lo tanto el usuario también aprende A la vez, el usuario puede aprender viendo como actúa el sistema siendo considerados simultáneamente como un medio de ejecución y transmisión del conocimiento.

La característica fundamental de este sistema es que diferencia los conocimientos obtenidos del programa que lo controlas y almacena aparte los nuevos datos adquirido de los hechos, por esto se dice que un sistema experto se basa en un motor de inferencia, base de contenido y una base de hechos.

Aprendizaje. Redes Neuronales es un sistema de computación constituido por un gran número de elementos de proceso simples y muy interconectados. La información se procesa como respuesta a entradas externas teniendo en consideración el estado interno de los elementos, la misma ofrece numerosas

8

ventajas, que incluyen aprendizaje adaptivo, auto-organización, tolerancia a fallos y operación en tiempo real.

Los sistemas de inteligencia artificial incluyen a las personas, los procedimientos, el hardware y software, los datos y los conocimientos necesarios para desarrollar sistemas, y máquinas de computación que presenten características de inteligencia. El objetivo del desarrollo de sistemas de IA contemporáneos no es el reemplazo completo de la toma de decisiones de los humanos, pero sí duplicarlas para ciertos tipos de problemas bien definidos.

Razonamiento basado en casos en este se utiliza las experiencias pasados en casos o situaciones que ya han pasado, tomando de cada situación información que luego pueda aplicarse en otro caso, por lo tanto se dice que la misma se ejecuta a través de estas actividades:

1. Recordar los casos similares al que analizamos.2. Reutilizar la información y el conocimiento que tenemos en este

caso para resolver el problema.3. Revisar la solución propuesta.4. Retener las partes de esta experiencia que nos puedan ser útiles

para la resolución de futuros problemas.

Reconfiguración y soporte al usuario esta es la última etapa de la supervisión se dice que con esta se cierra el ciclo, la cual consiste en utilizar la supervisión como una herramienta de apoyo por lo cual no interfiere en el proceso si no que solo da propuestas de acción al operario y luego se pasa a la reconfiguración la cual utiliza el conocimiento o experiencias pasadas basada en lo métodos nombrados anteriormente como la inteligencia artificial para determinar el origen del fallo y realizar las correcciones.

9

Conclusiones

La calidad del producto fabricado y la ausencia de fallos en el proceso de fabricación son requisitos fundamentales en una planta industrial por lo cual la toma de decisión es esencial, la automatización industrial no escapa de la necesidad de saber cómo debe tomar una decisión al momento de que se vean anomalías que interfieran en el proceso, teniendo claro que un eslabón indispensable de la automatización es el de la supervisión donde el encargado de ejercer la misma debe saber cómo tomar la mejor decisión.

Por lo tanto se crearon herramientas que permiten incorporar conocimiento previo que posee el ser humano sobre el proceso, y extraer nuevo conocimiento relacionando experiencia y datos provenientes del proceso, para poder tomar la mejor decisión.

.

10

Bibliografía

Introducción a los sistemas expertos.http://www.profesormolina.com.ar/tecnologia/robotica/sist_exp.htm

Razonamiento basado en casos http://es.wikipedia.org/wiki/Razonamiento_basado_en_casos

Sistemas expertos http://scielo.sld.cu/scielo.php?pid=S2227-18992013000200010&script=sci_arttext.

Reyes Olivans. 20 de agosto de 2005. http://www.monografias.com/trabajos26/sistemas-expertos/sistemas-expertos.shtml#ixzz3Xtc85cKB.

Colomer Joan,Melendez Joaquim, Ayza Jordi. Sistema de supervisión.

11