You are on page 1of 43

4.

SISTEMAS EXPERTOS

4.1 INTRODUCCION Las tecnologas de control y diagnstico de fallas ms recientes integran mtodos cuantitativos y mtodos cualitativos. Los mtodos cuantitativos se basan en modelos fenomenolgicos o de principios bsicos, 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 mtodos cualitativos generalmente se basan en el conocimiento heurstico 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 diseo del sistema de control o de diagnstico. Las tcnicas de simulacin o diseo requieren anlisis numrico en un caso y manejo de smbolos en el otro. Los sistemas con componentes que se describen con elementos cuantitativos con elementos cualitativos se denominan sistemas hbridos. El inters en los sistemas hbridos ha crecido significativamente en el ltimo tiempo pues permiten caracterizar de un modo ms realista y completo el comportamiento de un proceso o sistema. Ejemplos de esta tendencia son: sistemas expertos con redes neuronales; sistemas expertos difusos; modelos hbridos para procesos que integran subprocesos continuos y batch; controladores predictivos hbridos; controladores lgicos programables con control PID. En general los mtodos cualitativos estn relacionados con la Informtica. Se engloban bajo el nombre de Inteligencia Artificial o Sistemas Inteligentes. Entre stos 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 definicin enfatiza que un sistema experto debe tener un grado de competencia similar al de los expertos humanos. Un sistema experto est basado en conocimiento, el que se almacena en una Base de Conocimientos, en forma separada al mecanismo de razonamiento y utilizando un mecanismo de representacin, por ejemplo reglas IF ... THEN. Emplea heursticas y procesamiento simblico, y es capaz de explicar las decisiones que toma. Por el contrario, un programa convencional est basado en algoritmos, es decir, en procedimientos definidos por pasos elementales. Generalmente est orientado al procesamiento numrico y utiliza bases de datos. Un sistema experto es adecuado para enfrentar un determinado problema si: Los expertos son capaces de explicar los mtodos mediante los cuales resuelven los problemas en su dominio. La naturaleza de los problemas requiere de manipulacin simblica. La formulacin de soluciones requiere de habilidades cognitivas y soluciones heursticas. Figura 4.1: La Evolucin de los Sistemas Expertos.

39.

INGENIERIA DEL CONOCIMIENTO El conocimiento es una coleccin 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 teoras bsicas, los principios, los axiomas y los algoritmos en un determinado dominio. El conocimiento superficial corresponde al obtenido por la experiencia y normalmente est constituido por hechos y reglas prcticas. Generalmente son simplificaciones de los algoritmos. La Ingeniera del Conocimiento comprende tres temas fundamentales: Adquisicin del conocimiento. Representacin del conocimiento. Integracin del conocimiento en un sistema computacional.

40.

ADQUISICIN DEL CONOCIMIENTO Es el proceso mediante el cual se localiza, recolecta y refina el conocimiento que dar origen al sistema experto. La principal fuente de conocimiento est constituida por los expertos humanos en el dominio de aplicacin; 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. Tambin existen herramientas de software especficamente para apoyar el proceso de adquisicin 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 representacin. Para tener xito en el proceso es fundamental asegurar la colaboracin de los expertos.

41.

REPRESENTACIN 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, que resumen el conocimiento del experto. Los mecanismos de representacin ms utilizados son: Las redes semnticas Las triplas objeto-atributo-valor Las reglas Los marcos Las expresiones lgicas.

REDES SEMNTICAS Una red semntica es una coleccin de objetos llamados nodos conectados por arcos o enlaces. Los nodos se utilizan para representar objetos y descriptores. Los objetos pueden ser objetos fsicos visibles o tangibles, o bien entes conceptuales como actos, acontecimientos o categoras abstractas. Los descriptores proporcionan informaciones sobre los objetos. Los enlaces relacionan objetos y descriptores. Figura 4.2: Base de conocimientos del detective

42.

TRIPLAS OBJETO-ATRIBUTO-VALOR

Los atributos son caractersticas generales o propiedades asociadas a los objetos. El valor especifica la naturaleza concreta del atributo en una situacin determinada. Ejemplo de tripla objeto-atributo-valor: Objeto: Chaqueta de Wilson Atributo: Fondo de los puos Valor: Gastados y brillantes

REGLAS Las reglas sirven para representar relaciones y pueden utilizarse con representaciones Atributo-Valor o con representaciones ObjetoAtributo-Valor. Una regla es una sentencia condicional que tiene dos partes. La primera (la premisa o antecedente) est formada por una o varias clusulas SI que establecen las condiciones que han de satisfacerse para que pueda afirmarse una segunda parte ENTONCES (la conclusin o consecuente). Estructura de una regla: SI < premisa > ENTONCES < conclusin > Ejemplos de reglas en deteccin y diagnstico El mecanismo de reglas es una representacin muy simple y flexible del pensamiento humano por lo que permite transferir muy fcilmente el conocimiento de un experto a un programa computacional. El mecanismo de reglas permite establecer jerarquas e incorporar incertezas.

43.

INCERTEZA En un sistema experto, la incerteza puede incorporarse empleando: Factores de confianza Redes bayesianas Lgica difusa Los factores de confianza asignan un peso numrico a un hecho o relacin. Se cumple:
fc(A OR B) = mximo (fc(A), fc(B)) fe(A AND B) = mnimo (fc(A), fc(B))

Tambin las reglas pueden ser inciertas. Si el factor de confianza se expresa en porcentaje, se cumple:
fc(conclusin) = fc (premisa) * fc(regla) /100

Redes bayesianas Se basan en el teorema de Bayes:


P (H | E ) = P (E | H ) * P (H ) P (E )

Lgica difusa La lgica difusa es una alternativa a la lgica convencional, que agrega a los elementos verdadero y falso valores intermedios.

44.

COMPONENTES DE UN SISTEMA EXPERTO Figura: Arquitectura de un Sistema Experto.

MOTOR DE INFERENCIAS El Motor de Inferencias realiza dos tareas principales: Examina los hechos y las reglas, y si es posible, aade nuevos hechos Decide el orden en que se hacen las inferencias. Para realizar estas tareas utiliza estrategias de inferencia y estrategias de control. Las estrategias de inferencia que ms se emplean en sistemas expertos estn basadas en la aplicacin de las reglas lgicas denominadas modus ponens y modus tollens. Modus ponens: Si existe una regla SI A ENTONCES B, y A es verdadero, se puede concluir que B es verdadero. Modus tollens: Si existe una regla SI A ENTONCES B, y B es falso, se puede concluir que A es falso.

ESTRATEGIAS DE CONTROL Desde el punto de vista del control, el Motor de Inferencias debe resolver dos problemas: Cmo iniciar el proceso de razonamiento, considerando las reglas y los hechos existentes en la Base de Conocimiento. Cmo seleccionar qu regla procesar, cuando existen varias alternativas.

45.

Las estrategias de control presentan diversas clasificaciones: Encadenamiento hacia adelante y encadenamiento hacia atrs Bsqueda en profundidad y bsqueda en extensin Razonamiento monotnico y razonamiento no monotnico. Encadenamiento hacia delante o forward chaining Se construye el objetivo o se elabora la solucin, para lo cual se consideran primero todas las reglas cuyas premisas son verdaderas, se establecen nuevos hechos y se determina qu nuevas reglas pueden procesarse; el proceso termina cuando se alcanza un objetivo o se agotan las posibilidades. Este mecanismo se denomina tambin impulsado por datos y es el ms apropiado en el caso de sistemas expertos que construyen soluciones a partir de especificaciones, por ejemplo, en sistemas para diseo de planes.

Encadenamiento hacia atrs o backward chaining Se intenta determinar si la regla objetivo es correcta, para lo cual se consideran sus premisas y se trata de comprobar que a su vez stas son correctas, lo cual conduce a determinar otras reglas que podran confirmar estas premisas; de esta manera, se retrocede a lo largo de las reglas hasta encontrar hechos que indiquen que todas las premisas previas son correctas, o bien hasta que se determine que esto no es efectivo. Este mecanismo se denomina tambin impulsado por objetivos y se utiliza preferentemente en sistemas en que los resultados posibles son conocidos, por ejemplo en clasificacin de muestras, diagnstico mdico y diagnstico de fallas.

Bsqueda en profundidad Siempre que puede, el Motor de Inferencias genera un subobjetivo, buscando el mximo detalle. Se asocia a las personas especialistas.

46.

Bsqueda en extensin El Motor de Inferencias barre todas las premisas de la regla antes de profundizar en bsqueda de ms detalles. Se asocia a las personas generalistas.

Razonamiento monotnico Todos los valores que se obtienen para los atributos quedan marcados y permanecen siempre como verdaderos.

Razonamiento no monotnico En este caso los hechos verdaderos pueden anularse. Por ejemplo, el camino determinado como ptimo en un proceso de planificacin puede dejar de serlo cuando se recibe nueva informacin.

Figura 5.3: Principales tipos de estrategias de bsqueda Ejemplo de mtodos 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, backward chaining es el ms apropiado.

47.

ETAPAS EN EL DESARROLLO DE UN SISTEMA EXPERTO Para el desarrollo de un sistema experto, se recomienda utilizar un esquema incremental de prototipos, en el cual el sistema experto resuelve primeramente un problema simple. La evaluacin del sistema permite refinar la Base de Conocimientos y desarrollar una segunda versin, capaz de resolver problemas de mayor complejidad o enfrentarlas en forma ms apropiada. El desarrollo incremental presenta la siguiente evolucin: Prototipo inicial Prototipos intermedios Prototipo de trabajo Modelo productivo Sistema comercial. El desarrollo de un sistema experto comprende las siguientes etapas (si bien en casos especiales algunas pueden no considerarse): Identificacin Conceptualizacin Formalizacin Implementacin Prueba Integracin Mantenimiento. Identificacin. Los desarrolladores y expertos identifican los problemas y subproblemas, formulan los objetivos globales del sistema y definen las necesidades de hardware y software. En esta etapa se estudia tambin la relacin costo-beneficio esperada. Conceptualizacin. A partir de su interaccin con el experto, el desarrollador define los objetos y sus interrelaciones, los mecanismos de solucin de problemas y los datos que el experto utiliza en dichas soluciones.

48.

Formalizacin. Los conceptos y relaciones identificados se expresan formalmente utilizando algn mecanismo de representacin dado por las herramientas disponibles y las caractersticas propias del problema. Implementacin. El conocimiento formalizado se incorpora al sistema experto, utilizando alguna herramienta de desarrollo, para convertir el conjunto de reglas en un programa computacional. El conocimiento almacenado se organiza de forma de reflejar el mecanismo de razonamiento del experto. El resultado de esta etapa es un programa factible de ser probado. Prueba. Se evala el desempeo del sistema experto, revisando su capacidad para plantear soluciones a problemas y cumplir los requisitos impuestos por los expertos. La evaluacin la llevan a cabo los expertos quienes sugieren aspectos en que el sistema debe ser mejorado. En esta etapa se inicia el desarrollo incremental. Dependiendo del resultado de las pruebas, ser necesario volver a la Implementacin o inclusive a etapas anteriores. Integracin. Una vez terminado el desarrollo del sistema experto comercial, ste se integrar a su entorno de trabajo, lo cual incluye la conexin a bases de datos, equipos e instrumentos, y la capacitacin de los usuarios. Mantenimiento. Esta etapa considera la modificacin de la Base de Conocimientos, lo que dependiendo del sistema puede ser realizado por un usuario experto o el desarrollador.

49.

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, OPS5, Nexpert, G2). Lenguajes de programacin orientados al desarrollo de aplicaciones de Inteligencia Artificial (Lisp, Prolog, Smalltalk). Lenguajes de programacin tradicional (Fortran, C, C++). La eleccin de la herramienta depender de los recursos disponibles, las capacidades de los desarrolladores y las caractersticas de la aplicacin, por ejemplo, si existen requerimientos de tiempo real.

50.

APLICACIONES DE SISTEMAS EXPERTOS Dentral. Desarrollado en 1964 en Stanford; examina un anlisis espectroscpico de una molcula desconocida y predice qu estructuras moleculares pueden explicar ese anlisis. Hearsay. Desarrollado hacia fines de los 60 en Carnegie Mellon; comprende el lenguaje hablado. Internist. Desarrollado a principios de los 70 en Pittsburg; diagnstico en medicina interna. Mycin. Desarrollado en Stanford a mediados de los aos 70; ayuda a los mdicos en el diagnstico y tratamiento de infecciones de meningitis y bacteriemia. Fue el primer sistema que separ claramente la Base de Conocimientos y el Motor de Inferencias. Prospector. Desarrollado a fines de los 70 en Stanford; sistema de consulta para gelogos en deteccin de yacimientos. Genesis. Desarrollado en los aos 70 en Stanford; apoya a un gentico molecular en el diseo de experimentos complejos para determinar la naturaleza de una molcula de ADN. Delta/Cats (Diesel-Electric Locomotive Troubleshooting Aid/ Computer Aided Troubleshooting System). Desarrollado por General Electric en 1982; asistencia al personal de mantenimiento en diagnstico y reparacin de fallas en locomotoras Diesel; 1200 reglas, programado en Lisp y reprogramado en Forth. Drilling Advisor. Apoyo a supervisores de sondeo para resolver problema de atascamiento del taladro en la perforacin de pozos.

51.

4.3 SISTEMAS EXPERTOS EN TIEMPO REAL Los sistemas en tiempo real deben hacer frente a una serie de caractersticas propias de la aplicacin, las que plantean requerimientos particulares: Interfaz con ambiente externo. Los datos se adquieren de sensores. Falta de monotocidad. Los datos no permanecen estticos, varan en el tiempo y pierden validez. Datos inciertos o que faltan. Puede haber por fallas en sensores o sistemas de transmisin. Eventos asncronos. El sistema debe hacer frente a eventos no programados previamente que lo interrumpen asncronamente y que pueden variar en importancia relativa. Operacin continua. El sistema debe operar sin detenerse, hasta que ocurra un evento externo o sea detenido por un usuario; como consecuencia, puede generarse un requerimiento creciente de memoria (garbage collection). Razonamiento temporal. El sistema debe razonar acerca de eventos ocurridos en el pasado, en el presente y en futuro, as como sobre la secuencia en que ellos ocurren. Elevada capacidad de procesamiento. Puede requerirse tiempos de respuesta muy cortos, por ejemplo 100 mseg. en sistemas aerodinmicos, lo cual constituye una fuerte exigencia si la Base de Conocimientos incluye muchas reglas que deben ser procesadas. Tiempos de respuesta garantizados. Se requiere producir la mejor respuesta posible, pero en un tiempo mximo predefinido. Integracin con componentes procedurales. El sistema experto en tiempo real debe integrarse con software de tiempo real convencional.

52.

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

53.

APLICACIONES DE SISTEMAS EXPERTOS EN TIEMPO REAL En medicina: Intrprete de electroforesis Anlisis de EEG Monitoreo respiratorio y anestsico Monitoreo de recin nacidos Monitoreo de pacientes con asistencia ventilatoria mecnica. En la industria aeroespacial: Monitoreo predictivo y reconfiguracin de sensores de navegacin Anlisis de errores de telemetra Control de rbita satelital Apoyo a la navegacin en le reingreso a la atmsfera Evaluacin de situaciones y manejo de emergencias Planificacin tctica y de rutas. En comunicaciones: Interpretacin de reportes diarios de buques Interpretacin de comunicaciones de radio. En robtica: Generacin de planes en vehculos autnomos guiados. En supervisin y control: Supervisin de seales Control inteligente Sistemas de supervisin inteligente Deteccin y diagnstico de fallas.

54.

CASO DE ESTUDIO: PUFF, UN SISTEMA DE DIAGNOSTICO DE ENFERMEDADES PULMONARES Se construy en Stanford en 1979 para interpretar los resultados de una prueba de funcin ventricular. Utiliza encadenamiento hacia atrs. En su primera versin inclua 64 reglas de produccin y 400 en la definitiva. El 85% de sus informes se acepta sin modificaciones. Regla de PUFF: SI (1) A: La relacin entre los volmenes mximos espirados por segundo, observado y predicho, est entre 35% y 45%, y B: SI (2) La relacin entre las capacidades vitales forzadas, observada y predicha, es mayor que 80%, o

A: La relacin entre los volmenes mximos espirados por segundo, observado o predicho, est entre 25% y 35%, y B: La relacin entre las capacidades vitales forzadas, observada y predicha, es menor que 80%.

ENTONCES: Existe bastante evidencia (0.8) de que el grado de enfermedad obstructiva de las vas respiratorias es moderado. Figura 9.4: Pantalla de PUFF correspondiente al anlisis de un paciente.

55.

4.4 SISTEMAS EXPERTOS EN SUPERVISIN Y CONTROL Los sistemas expertos se aplican en variadas funciones de supervisin y control: Supervisin de seales Control inteligente Sistemas de supervisin inteligente. En general estos sistemas representan el conocimiento en base a reglas. Dependiendo de la aplicacin pueden utilizar forward chaining (para control) o backward chaining (para supervisin) como mecanismo de inferencia.

SISTEMAS EXPERTOS EN SUPERVISIN DE SEALES Se emplean funciones lgicas que pueden representarse en forma de reglas para: Supervisar que una variable y(t) se mantenga en un rango apropiado de operacin. Controlar una variable y(t), supervisando que la variable z(t) no se aleje del rango especificado. Controlar dos variables con una sola variable manipulada (control por override). Un sistema de supervisin de seales 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.

En un controlador PID tambin existen funciones lgicas que pueden representarse en forma de reglas para: Seleccionar el modo de operacin (P, PI, PD, PID) Comprobar que la variable controlada y(t) est dentro de lmites Comprobar que la referencia r(t) est dentro de limites Limitar la variable manipulada u(t) Limitar la velocidad de variacin de u(t) Incorporar filtraje de seales Incorporar funciones de compensacin de no linealidades Activar la funcin de reset antiwindup Gestionar el techado y la pantalla de visualizacin.

CONTROL INTELIGENTE Con el nombre de control inteligente se designa una familia de controladores, que incluyen: Controladores expertos que reproducen las funciones de control regulatorio del PID, pero implementadas en base a reglas. Controladores basados en reglas de operacin, que reproducen las acciones que realiza un operador muy capacitado en un proceso especfico, por lo cual son muy dependientes del proceso. Controladores que incorporan el conocimiento de Ingenieros de control, por ejemplo para sintonizar controladores.

57.

CONTROL EXPERTO REGULATORIO En su forma ms simple, se formula reglas de control lingustico: SI e(t) es grande y positivo, ENTONCES disminuya u(t) en u SI e(t) es grande y negativo, ENTONCES aumente u(t) en u SI e(t) es cero , ENTONCES mantenga u(t) Para ejecutar el conjunto de reglas el sistema de control experto, se necesita definir los trminos grande, positivo, 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 mdulo 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). Figura: definicin de los estados lingsticos a1, a2, a3, b1 a b6, c1 a c6. Tabla I: Matriz de estado en funcin de e(k), de(k) Tabla II: Reglas de control du(k) = F (e(k), de(k)) Parmetros de diseo: Nmero de valores lingsticos de e(k), du(k) Rangos asociados a los valores lingsticos de e(k), de(k) Montos asociados a los valores lingsticos de du(k).
58.

SISTEMAS EXPERTOS EN SINTONA DE CONTROLADORES EXPERTUNE Desarrollado por Gerry Engineering Software, ha sido utilizado en numerosas instalaciones para ajustar parmetros de controladores industriales. Corre en un PC e incorpora tambin funciones de adquisicin y anlisis de datos. EXACT (Expert Adaptive Controller Tuning) Desarrollado por Foxboro, incorpora una metodologa similar a la de Ziegler-Nichols pero basada en reconocimiento de patrones, la que es utilizada por los instrumentistas para sintonizar los parmetros de controladores. El mtodo requiere introducir una perturbacin en el proceso y el propio controlador realiza el anlisis de la respuesta para determinar el nuevo conjunto de parmetros ptimos (ganancia proporcional, tiempo integral, tiempo derivativo). Tambin existen controladores adaptivos que incluyen estimacin en lnea y en tiempo real de parmetros de modelos. El proceso de estimacin de parmetros se supervisa con un sistema experto, que por ejemplo adecua el factor de olvido del algoritmo de estimacin a partir de las condiciones de ruido imperantes. Asimismo, existen sistemas expertos especializados en el diseo de sistemas de control. En estos casos, el sistema experto tiene interfaces con programas desarrollados en lenguajes convencionales, por ejemplo, simuladores y rutinas de optimziacin y clculo matricial.

59.

SISTEMAS DE SUPERVISIN INTELIGENTE Un sistema de supervisin inteligente realiza las siguientes tareas: Analiza las variables adquiridas por los sensores A partir de este anlisis reconoce la situacin operacional La informa al operador, por ejemplo mediante alarmas Realiza acciones necesarias para superar dicha situacin, o bien Realiza acciones para optimizar en algn sentido la operacin. Las diferentes funciones de un sistema de supervisin inteligente se basan en heursticas que sintetizan el conocimiento de operadores y expertos en el proceso, y por tanto emulan a un operador experimentado. En algunos casos el sistema de supervisin inteligente integra funciones de sistemas expertos con algoritmos numricos. De acuerdo a la aplicacin especfica, existen diferentes variantes de sistemas de supervisin inteligente: Sistemas de ayuda a la operacin Sistemas de deteccin y diagnstico de fallas de equipos, componentes o instrumentos Sistemas de deteccin y prediccin de contingencias Sistemas de procesamiento e interpretacin de alarmas Sistemas de puesta en marcha y parada de plantas Sistemas de evaluacin de seguridad Sistemas de restauracin de la operacin Sistemas de prediccin de demanda (de energa, de agua) Sistemas de planificacin de operaciones Sistemas de supervisin optimizante.

60.

CARACTERISTICAS DE LA APLICACION EXPERTOS EN SUPERVISIN Y CONTROL

DE

SISTEMAS

Referencia: Shirley, R. S. Some lessons learned using expert systems for process control. IEEE Control Systems Magazine, 7, 6, pp. 11-15, 1987. Shirley sintetiz en 17 lecciones su experiencia de varios aos en Foxboro Co. interactuando con sistemas expertos, en especial con Exact, Falcon y Personal Consultant: Los sistemas expertos no son una panacea Los sistemas expertos no son expertos Existe (y sigue existiendo) un gran inters en sistemas expertos Existe un amplio espectro de clases de sistemas expertos, cada una con caractersticas 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 actan aislados La Base de Conocimientos es clave Un sistema experto necesita heursticas y principios bsicos (fenomenologa) Los frames (marcos) son un buen formato para representar el conocimiento Las reglas generales son ms poderosas que las reglas especficas 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.

61.

SISTEMAS EXPERTOS EN SISTEMAS ELCTRICOS Alfa, Sistema de prediccin de demanda elctrica con un horizonte de 48 horas Cealmon, Sistema de monitorizacin en tiempo real de una central nuclear Toast, Sistema de apoyo a operadores en sistemas de energa Sistemas de procesamiento inteligente de alarmas y control de contingencias, desarrollados para Energy Management Systems por EPRI, Electric Power Research Institute Sistema experto para localizacin y diagnstico de fallas, Taiwn Power Co. Sistema experto distribuido para diagnstico de fallas desarrollado para Allegheny Power Systems Sistema para monitorizacin de estabilidad y diagnstico de fallas en el sistema de generacin hidrulica de New Brunswick Sistema experto parta localizar fallas en el centro de Control de Taiwn Power Co. y Puget Sound Power and Light, Washington Sistema de diagnstico experto de turbinas Westinghouse

62.

SISTEMAS EXPERTOS EN LA INDUSTRIA DE PROCESOS Sistema experto para supervisin de la planta de purificacin de agua de Toyoiwa, Akita City Sistema experto para el control de un alto horno en Kawasaki Steel Co. Sistema experto de apoyo a la operacin de una planta de flotacin de minerales, Outokumpu Control experto de una planta de molienda semiautgena, Dizon Sistema experto de apoyo a la supervisin de plantas de lixiaviacin, Canmet Stochasm, Sistema para deteccin y diagnstico de fallas en tiempo real del sistema de lubricacin de una turbina de propulsin de un buque Falcon (Fault Analizer Consultant), Sistema de monitorizacin y anlisis de fallas para plantas qumicas desarrollado por Du Pont Sedaft, Sistema experto para deteccin y diagnstico de fallas en la lnea Norte Sur del metro de Sao Paulo Sistema de control del metro de Tokio y Sendai

63.

SISTEMAS EXPERTOS DESARROLLADOS EN CHILE Control experto de molienda semiautgena (Muoz, 1988) Sistema de supervisin inteligente del sistema de lubricacin de un molino semiautgeno (Escobedo, 1990) Sistema de control experto para planta de flotacin (Ros, 1990) Control experto de flotacin columnar (Atero, 1991) Procesamiento inteligente de alarmas en sistemas SCADA/EMS (Murray, 1994) Sistema experto para prediccin de demanda elctrica (Prina, 1994) Sistema experto para el control de voltaje y despacho de potencia reactiva (Talavera, 1995) Sistema experto para procesamiento inteligente de seales fisiolgicas adquiridas por monitores computarizados (Oberli, 1996)

64.

SISTEMA DE APOYO EXPERTO PARA UNA PLANTA DE FLOTACION DE CONCENTRADO DE COBRE El proceso de flotacin de concentrado presenta diversas complejidades, debidas al nmero de celdas que integran la planta, las perturbaciones, las realimentaciones y la falta de modelos validados. En trminos muy simplificados, 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 relaciones entre variables controladas y variables manipuladas son las siguientes: La ley de concentrado presenta un mximo 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. Los objetivos de control se sintetizan en: mxima ley de concentrado, mnima ley de cola y mnimo consumo de reactivos. A partir de estos objetivos de control y otras consideraciones de operacin es posible formular una estrategia de control basada en una matriz de dimensin mxn (m estados para la ley de concentrado y n estados para la ley de cola). Para cada estado se define una accin que aumenta, mantiene o disminuye las variables manipuladas. El sistema experto se desarroll para una matriz de estado de dimensin 3x3, utilizando el mdulo Superintendent del software de automatizacin Onspec. El mdulo Superintendent es un sistema experto en tiempo real que permite programar reglas y modificarlas en lnea. Onspec corre en un PC que se comunica en forma serial con un sistema de control distribuido TDC 3000.

65.

4.5

MODELACION CUALITATIVA Referencia: Kuipers, B. Qualitative reasoning: modeling and simulation with incomplete knowledge. Automatica, 25, 4, pp. 571-585, 1989. La modelacin cualitativa permite incorporar en el desarrollo de un sistema inteligente de supervisin, relaciones basada en la fenomenologa del proceso. Estas relaciones describen el comportamiento causa-efecto del proceso y predicen y explican su respuesta a situaciones especficas. 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. La simulacin cualitativa predice el conjunto de posibles estados futuros a partir del estado inicial y de las restricciones que componen el modelo cualitativo. Los elementos que se utilizan habitualmente en modelacin cualitativa son: Las variables cualitativas, que aceptan los valores cero (0), positivo (+) y negativo (-) La variacin en el tiempo de estas variables Las operaciones suma, resta y multiplicacin Una clase de funciones montonamente crecientes M.

66.

Ejemplo: Modelo cualitativo de un sistema hidrulico de dos estanques AyB Las variables cualitativas del modelo son: volA, volB, volA, volB, presA, presB, pres AB, flujoA, flujoB, flujoB Las restricciones que componen el modelo cualitativo son:
presA= M(volA) presB = M(volB) presAB = presA presB flujoAB = M(presAB) volA = flujoA flujoAB volB = flujoAB flujoB

Las relaciones que componen el modelo pueden incluir las operaciones cualitativas suma, resta y multiplicacin, definidas por las siguientes tablas: SUMA 0 0 + 0 + + + + ind ind MULT 0 + 0 0 0 0 + 0 + 0 +

El modelo se puede expresar tambin en forma de un diagrama de bloques en que los bloques son las restricciones; recibe el nombre de Diagrama de relaciones restrictivas.

67.

El algoritmo de simulacin de modelos cualitativos ms utilizado es el de Propagacin de restricciones, segn el cual las restricciones se revisan sucesivamente. Si existen variables con valores por determinar, se les asigna un valor presuntivo de modo que la restriccin se cumpla y que la propagacin siga su curso. Si en la revisin de las restricciones siguientes se produce una contradiccin, implica que el valor asigna es incorrecto y que debe ser modificado (backtracking), para reiniciar la propagacin. La misma tcnica puede utilizarse para deducir qu acciones o planes deben ejecutarse para alcanzar un objetivo dado.

68.

4.6 SISTEMAS EXPERTOS EN DIAGNOSTICO DE FALLAS Referencia: Kramer, M. A. Malfunction diagnosis using quantitative models with non-boolean reasoning in expert systems. AIChE Journal, 33, 1, pp 130- 140, 1987. Los sistemas expertos encuentran amplia aplicacin en el diseo de sistemas de diagnstico de fallas. En su diseo se emplean Grafos direccionados con signo, modelacin cualitativa u otras tcnicas para representar las relaciones-causa efecto.

DIAGNOSTICO EMPLEANDO GRAFOS DIRECCIONADOS CON SIGNO En estos grafos los nodos describen variables de proceso, sensores, fallas de componentes o subsistemas. Al igual que en modelacin cualitativa, para cada variable se define un rango de tolerancia. Un signo + o - en un nodo indica que esa variable tiene un valor mayor o menor que el rango permitido; en caso contrario el nodo tiene un valor 0. Los arcos asociados a los nodos toman los valores + o indicando si la causa y el efecto cambian en la misma direccin o en la direccin contraria. Las fallas se diagnostican localizando los nodos que siendo races del grafo, representan fallas del sistema; para ello se estudian los sntomas. El estudio consiste en propagar las desviaciones en los nodos que representan las variables medidas a travs de los arcos consistentes hasta identificar el nodo raz. 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. Figura 11.2: : Sistema de un estanque Figura 12.1: Grafo direccionado con signo Figura 12.2: Grafo direccionado para el sntoma 1 Figura 12.3: Grafo direccionado para el sntoma 2

69.

Sntoma 1: h est aumentando mientras Fo est disminuyendo. El anlisis de consistencia del grafo indica que el responsable del sntoma es el nodo asociado a la vlvula. Sntoma 2: h y Fo estn disminuyendo. En este caso el anlisis de consistencia indica que los posibles nodos responsables son los correspondientes a las fugas en las caeras; ambas fallas originan el mismo sntoma y por eso no existe un diagnstico nico.

70.

DIAGNOSTICO EMPLEANDO MODELACION CUALITATIVA Para propsitos de diagnstico, una restriccin Ci que forma parte del modelo cualitativo se plantea como:
Fi(x, y, z) = 0

Entonces, hay tres posibilidades para la restriccin Ci: Que se satisfaga para una tolerancia toli, esto es (Ci0):
- toli <= Fi(x, y, z) < = toli

Que se viole positivamente, esto es (Ci+):


Fi(x, y, z) > toli

Que se viole negativamente, esto es (Ci -):


Fi(x, y, z) < - toli

Si una falla f causa que se viole positivamente la restriccin Ci, entonces se satisface la hiptesis de falla Hi +. Si la falla f es causa de que se viole negativamente la restriccin Ci, se satisface la hiptesis Hi.-. Si no hay falla presente, entonces la hiptesis que se satisface es:
H i0 = ~ H i+U H i

El mtodo propuesto asume que en un instante dado slo se presenta una falla (no hay fallas simultneas). De esta forma, si Ci* designa el valor de la restriccin Ci, la hiptesis Hi* que se cumple es:
Ci* = Ci+ Ci* = Ci0 Ci* = Ci Hi* = Hi+ Hi* = Hi o

Hi* = Hi -

71.

La hiptesis de falla nica permite diagnosticar la falla como:


* * S = H1 H 2 ... H n *

Ejemplo: Tabla de fallas para el ejemplo. H+ A, B B HC A, D

Restriccin C1 Restriccin C2

El ejemplo considera las fallas A, B, C y D. Se desea diagnosticar la falla presente en los siguientes casos: a) C1 = high , C2 = low b) C1 = normal, C2 = low

Entonces: a)

{A, B} {A, D} = {A}

b)

~ {A, B ,C } {A, D} = {D}

DIAGNOSTICO DE FALLAS EN REACTOR QUMICO 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, excepto la restriccin C3 que es negativa. Entonces: Se concluye que slo son posibles las fallas H y W ya que
S = ~ {D , B ,C , A} ~ {L ,T , K , S } {H , J 1 ,Q ,V ,W } S1 = {H ,W }

S 1 = ~ {P , R ,Y , Z , Q , X } ~ {D , F , L , N ,U , C , E , K , J , K , M ,V ~ {K , M ,V , X , L , N , R ,U ,Y }}

72.