MAESTRA INFORMTICA INDUSTRIAL Y AUTOMATIZACIN SISTEMAS DE AUTOMATIZACIN INDUSTRIAL

Redes de Petri
Informe Seminario 1

Mervis Villanueva Isaba Luis Zurita Landaeta

23/05/2012

CUJAE / IUT CUMAN

Tema D: Redes de Petri con Redes Neuronales y sus Aplicaciones en la Simulacin de procesos Industriales.
Introduccin
Las Redes de Petri surgen en 1962 con el trabajo doctoral de Carl Adam Petri "Kommunikation mit Automaten" (Comunicacin con autmatas), en Alemania. En su disertacin doctoral Petri formul la base para una teora de comunicacin entre componentes asncronos de un sistema de cmputo. Sus ideas atrajeron la atencin de un grupo de investigadores del Applied Data Research Inc. Dirigido por Anatol Holt y que trabajaban en el proyecto "Information System Theory Project". El grupo, desarroll la teora del proyecto conocido como Systemics. Este trabajo fue el que proporcion la teora primaria, notacin y representacin de las Redes de Petri. La teora de Redes de Petri fue divulgada en 1968 en el reporte final del proyecto "Systemics". Posteriormente, en el artculo titulado "Events and Conditions", publicado en 1970, Holt y Commoner muestran como las Redes de Petri pueden aplicarse al modelado y anlisis de sistemas con componentes concurrentes. El trabajo de Petri, tambin atrajo la atencin del grupo "The Computation Structures Group", bajo la direccin de Jack Dennis, que trabajaban en un proyecto llamado "Project MAC" en el MIT. Este grupo, ha sido una fuente productiva de investigaciones y literatura, publicando varias tesis doctorales, numerosos reportes y memoranda sobre Redes de Petri. Carl Adam Petri extendi su teora original, para incluir conceptos bsicos de flujo de informacin y de la estructura de sistemas concurrentes, estimulando investigaciones en diversos centros de investigacin europeos, particularmente en el "Institut Fr lnformationssystemforschung of the

Gessellschaft Fr Mathematik und Datenverarbeitung" en Bonn, Alemania. Holt continu con el desarrollo de nuevos conceptos a partir de su

trabajo original en "Systemics", se concentr en el desarrollo de herramientas

para la

representacin y anlisis de sistemas. Su trabajo lo realiz

principalmente en la investigacin de aspectos fundamentales de concurrencia y conflicto en sistemas con mltiples partes. En el MIT y muchos otros centros de investigacin Americanos, enfocaron inicialmente sus investigaciones sobre Redes de Petri hacia la teora de autmatas. En la actualidad, existe gran difusin de los avances en Redes de Petri y prcticamente existe una sola corriente entre los investigadores Europeos y los Americanos, ya que la comunicacin existente entre todos los grupos beneficia el conocimiento de los nuevos avances. Otro de los aportes que ha tenido el control de sistemas es la Inteligencia artificial, trmino definido por John McCarthy en un congreso celebrado en Darmuth (EUA) en 1956, para agrupar a todos los mtodos que se desarrollaban para simular el intelecto humano en las computadoras. Su objetivo principal es Transferir algunas de estas habilidades a los modelos, algoritmos, mquinas y sistemas, para permitirles sobrevivir en un entorno altamente tecnolgico. Esto es, resolver tareas dadas, basndose en la experiencia previa, con una exactitud razonable, con un costo razonable y en una cantidad de tiempo razonable. Las principales tcnicas que forman parte de la Inteligencia Artificial son las Redes neuronales, los algoritmos evolutivos, la lgica difusa y los sistemas expertos y su empleo en el control de sistemas ha dado lugar a lo que se conoce como control inteligente. Durante varias dcadas, desarrollar una mquina con elementos simples similar a la encontrada en el cerebro humano, ha sido la meta de cientficos e ingenieros. Durante los aos 1940s, investigadores deseando duplicar el cerebro humano, desarrollaron circuitos que modelaban las neuronas biolgicas y su sistema de interconexin. McCulloch y Pitts en 1943 publicaron el primer estudio sistemtico en redes neuronales (NNS) biolgicas. Cuatro aos despus exploraron el

paradigma de las redes para el reconocimiento de patrones usando una neurona simple perceptron. Paralelamente los psiclogos fueron desarrollando modelos del

aprendizaje humano. Uno de estos modelos propuso en 1949 una ley de aprendizaje que se convirti en el punto de partida para los algoritmos de entrenamiento de las redes neuronales artificiales (ANNs). Entre los aos 1950s y 1960s, se combinaron los estudios biolgicos y psicolgicos para producir la primera red neuronal artificial. Inicialmente implementada como circuitos elctricos, fueron convertidas posteriormente en medios ms flexibles de simulacin por computadora. Desde los aos 1960s hasta principios de los aos 1980s debido a severas limitaciones que se demostraron en cuanto a la capacidad de las redes neuronales, stas cayeron en un eclipse. El descubrimiento en los aos 1980s de mtodos de entrenamiento para una red neuronal multi-capa fue, ms que de ningn otro factor, el responsable del resurgimiento de las NNs. A partir de 1986, el panorama fue alentador con respecto a las investigaciones y el desarrollo de las redes neuronales. En la actualidad, son numerosos los trabajos que se realizan y publican cada ao, las aplicaciones nuevas que surgen (sobre todo en el rea de control) y las empresas que lanzan al mercado productos nuevos, tanto hardware como software (sobre todo para simulacin). En la dcada de los aos 1980s y 1990s aparecieron los modelos que incorporan agentes inteligentes para operaciones de fabricacin como una alternativa a la deficiencia de arquitecturas jerrquicas. Esto, considerando la necesidad de la integracin del control, la simulacin y modelado de

software para acelerar el desarrollo del sistema. Para contribuir a estos avances se introducen las combinaciones de las RdP con las tcnicas de la inteligencia artificial, dando lugar a las redes neuro-Petri (RNP).

Resumen
La investigacin est orientada al estudio de las redes de Petri como mtodo alternativo de diseo tanto para el proceso industrial como para el controlador, y herramienta til en el modelado de sistemas complejos, en combinacin con la tcnica de inteligencia artificial conocida como redes neuronales. El estudio est basado en el aprovechamiento de las similitudes entre estas ltimas y las redes de Petri, favoreciendo as la transformacin del modelo McCulloch-Pitts a RdP. Las redes de Petri de orden superior HOPN tambin son objeto de estudio, dando lugar a la transformacin de las neuronas de orden superior. Por otro lado se plantea una red Neuro-Petri para el diagnstico de fallos de sistemas de eventos discretos basado en una especie de red hbrida y no en una transformacin total de la red original, como en el caso del modelo McCulloch-Pitts. Para ilustrar el campo de accin de las redes Neuro-Petri se plantea la aplicacin en un proceso de manufactura.

Objetivo General
Establecer el uso de las redes de Petri con redes neuronales en la simulacin de procesos industriales. Objetivos Especficos Realizar revisin bibliogrfica sobre las redes de Petri y las redes neuronales. Definir las estructuras de redes de Petri combinadas con las redes neuronales. Analizar los ejemplos de las redes de Petri y las redes neuronales en la resolucin de procesos industriales.

Redes de Petri Clsicas

Las Redes de Petri clsicas se conciben como un grafo dirigido que posee dos tipos de nodos principales: los lugares representados por crculos y las transiciones representadas por barras rectangulares (figura 1). Entre los nodos se ubican los arcos dirigidos, los cuales se encargan de unir las transiciones con los lugares y viceversa. Cada arco dirigido posee un nmero que indica su peso, el cual determina la cantidad de marcas que consume de un lugar o deposita en un lugar, siempre y cuando se haya disparado una transicin habilitada. Los arcos dirigidos sin nmero se entiende que consumen o depositan una marca. Las marcas se representan en forma grafica como puntos negros que se ubican dentro de cada lugar.

Figura 1 Red de Petri con cuatro lugares, cuatro transiciones, cinco arcos dirigidos de peso uno y cuatro arcos dirigidos de peso dos

Formalmente, una Red de Petri se define como una quintupla, PN = (P,T,F,W,M0) Donde:

P={p1,p2,,pm} es un conjunto finito de lugares. ( ) ( ) es un conjunto de arcos dirigidos. T={ t1,t2,,tn } es un conjunto finito de transiciones. M0:P{1, 2, 3, } es el marcado inicial de la red. = , y ;

W:F{1, 2, 3, } es una funcin de pesos de los arcos.

El marcado inicial de una PN son las marcas que posee cada lugar de la red en su inicio. Una Red de Petri con la estructura (P, T, F, W) sin especificar su marcado inicial es denotada por N. Por otro lado, una PN con un marcado inicial dado es denotado por PN=(N, M0). El comportamiento de los sistemas puede ser descrito en terminos de sus estados y sus cambios. En las Redes de Petri, el estado del sistema, o mejor dicho, el marcado de la PN cambia de acuerdo con las siguientes reglas de disparo o transicin: 1. Se dice que una transicin es habilitada si cada lugar de

entrada p de t es marcada con al menos w(p,t) marcas, donde w(p,t) es el peso del arco de p a t. 2. Una transicin habilitada puede o no ser disparada (esto

depende solamente del carcter no determinista del evento). 3. El disparo de una transicin t habilitada remueve w(p,t)

marcas de cada lugar de entrada p de t y agrega w(t,p) marcas a cada lugar de salida p de t, donde w(t,p) es el peso de los arcos de t a p. En la figura 2 se muestra un ejemplo de las reglas de transicin. La transicin t se encuentra habilitada, puesto que existen ms marcas en los lugares de entrada que pesos de los arcos dirigidos (figura 2a). Cuando se dispara la transicin t, existe un flujo de marcas desde los lugares de entrada hacia el lugar de salida (figura 2b).

Las Redes de Petri son nombradas segn sus caractersticas, por ejemplo, una PN es ordinaria si el peso de sus arcos es siempre uno. Se dice que una PN es pura si no existen auto bucles. Los auto bucles estn definidos como el par lugar y transicin, donde el lugar p es el lugar de entrada y salida de la transicin t. Adems, existen dos tipos de transiciones adicionales, la transicin fuente que es aquella que no posee un lugar de entrada y la transicin sin un lugar de salida que es llamada transicin sumidero.

Figura 2 Una Ilustracin de las Reglas de Disparo, a) Marcado antes del disparo de la transicin habilitada, b) Marcado despus del disparo de t, donde t est inhabilitada.

Transformacin del Modelo de McCulloch-Pitts en el Modelo PN

Modelo McCulloch-Pitts El Modelo McCulloch-Pitts mostrado en la figura 3 es la forma ms simple de redes neuronales. Es el componente fundamental de muchas de las redes feedforward multicapa y redes recurrentes.

Figura 3 Modelo de la red Neuronal McCulloch-Pitts

En este modelo la adaptabilidad conocida proviene de la representacin de la accin sinptica por un peso variable que determina si la neurona

se debe o no disparar. Como hay muchas sinapsis, el nodo de suma del modelo calcula una combinacin lineal de estas entradas aplicadas

a sus sinapsis y compara con un umbral. La suma resultante se aplica luego a una funcin escaln. Si la suma supera el umbral, la neurona se dispara y se obtiene la salida. En trminos matemticos, la salida y de la neurona se describe como

Donde x1, x2,.,xn son entradas, w1,w2,.,wn son los pesos sinpticos; es el umbral y f(.) es la funcin escaln. Modelo McCulloch-Pitts de la Forma Red de Petri Usando las similitudes entre las redes neuronales y las redes de Petri, somos capaces de transformar el modelo McCulloch-Pitts en la forma de una red de Petri como se muestra en la figura 4 donde t11, t12,.,t1n y t0 son las transiciones que crean entradas para este modelo. El funcionamiento de la integracin espacial de la forma neuronal es modelada por la transicin t. Las

( =

transiciones t1 y t2 imitan la funcin paso, la cual es la funcin de activacin de la forma neuronal.

Figura 4 Modelo de McCulloch-Pitts de una Red de Petri, donde = ( )

Red de Petri de Orden Superior

Este proceso es similar a la introduccin heurstica de los pesos sinpticos de orden superior en sistemas de redes neurales. Despus de las definiciones sintcticas necesarias dadas, este nuevo tipo de HOPN es capaz de evaluar sistemas ms generales y ms complejos tales como las

redes neuronales de orden superior, los programas polinomiales lgica de predicados, etc Neurona de orden superior La neurona de orden superior es el bloque bsico de las redes neuronales de orden superior y contiene los pesos sinpticos de orden superior de las entradas. El total de las entradas de este tipo de neuronas de orden superior se compone de una combinacin lineal de sus entradas y las combinaciones de los productos de sus entradas. Para una neurona de orden

superior totalmente conectada con neuronas N-dimensionales x=(x1,x2,.,xn) su salida es descrita como,

Donde

neuronas de entrada, n(1), n(2),., n(j), para la neurona de orden superior. La suma interna se ejecuta en todas las situaciones. El smbolo de {n(k)}j es un conjunto de nmeros enteros positivos y se define como:

{ ()} es

( = )

{()}

{ ()} () () () ,

el j-simo orden de la conexin de los pesos de las

vaco, si y solo si j=0. En esta situacin de orden superior.

Y satisface n(1) < n(2)<< n(j). Especialmente {()} , el conjunto

{()} {(1), (2), , ( {1,2, , } )}

( )

se encuentra en el umbral de la neurona

Red de Petri de Orden Superior

Una red de Petri de orden superior est definida como una 5-tupla,

T={t1,t2,.,tn } es un conjunto finito de transiciones, , y ;

HOPN=(P,T,F,W,M0), donde {p1, p2,, pm } es un conjunto finito de lugares;
2

( ) () es un conjunto de arcos. Si entonces f es llamado el isimo arco; : es una funcin de , pesos, donde N representa el conjunto de los enteros no negativos; : denota la distribucin del marcado inicial.

De acuerdo a esta definicin es claro que la mayor diferencia entre una HOPN y las redes de Petri convencionales son las definiciones de los arcos y los pesos. Red de Petri equivalente de una red neuronal de orden superior

La figura 5.a muestra la arquitectura de una neurona de segundo orden. Explotando las similitudes entre las redes de Petri y las redes neuronales, la fig

5.b. muestra la transformacin informal entre la red de Petri de orden superior y las neuronas de orden superior.

Figura 5 (a) Arquitectura de una Neurona de segundo orden, donde w12 es un peso sinptico de segundo orden y=x1w1+x2w2+x1x2w12. (b)Modelo de la Red de Petri equivalente. T1 , t2 son transiciones fuente.

Redes de Petri con Redes Neuronales para el Diagnstico de Fallos de Sistemas de Eventos Discretos.
Para la siguiente topologa de RdP con RN, se asume que la estructura RdP y el marcado inicial son conocidas y las fallas son modeladas por transiciones no observables. El uso de las redes neuronales supone un papel importante para mejorar el mtodo de anlisis de las redes de Petri ordinarias. Las salidas de los mismos estn conectadas a transiciones ocultas. En este mtodo el operador comprueba la falla ms prioritaria en primer lugar. Por lo que se va reduciendo el tiempo para realizar las correcciones en el sistema a estudiar. La representacin grfica de la red permite que el diagnosticador realice clculos y diagnsticos sobre porciones reducidas de la red con la finalidad de mejorar la eficiencia de la computacin en lnea, sin un gran aumento de recursos del sistema de anlisis.

Fundamentacin El diagnstico en los procesos industriales es una disciplina cientfica orientada a la deteccin de fallas en plantas industriales, su aislamiento y finalmente su identificacin. Su tarea principal es el diagnstico de anomalas en el proceso y fallas en el proceso de componentes, sensores y actuadores. El diagnstico temprano durante un proceso de supervisin permite llevar a cabo diferentes acciones y tareas de prevencin. Esto permite evitar grandes prdidas econmicas que pueden conllevar a paradas de produccin, sustitucin de elementos y piezas, entre otros. El funcionamiento de sistemas grandes y complejos requiere coordinacin y que cuenten con una capacidad de recuperacin en caso de fallas. En los sistemas de fabricacin automatizados, esta capacidad se incluye sobre todo para eliminar riesgos innecesarios a los seres humanos o

situaciones peligrosas para el sistema de coordinacin. Esto puede ser abordado desde varios enfoques y mtodos. La mayora de estos mtodos incluyen las etapas, tales como la deteccin, aislamiento y confinamiento de la falla. Recientemente las redes neuronales se han aplicado al diagnstico de problemas y fallas debido a sus buenas capacidades en la funcin de aproximaciones. En particular el mtodo en lnea que utiliza las redes neuronales ha sido presentado para la identificacin de funciones de falla. En una nueva arquitectura para un diagnstico de fallos que sea competitiva, se introducen las redes neuronales. En este sistema, se introduce la matriz de prueba y el vector de probabilidad de fallos no se conoce previamente. El sistema nervioso (red neuronal) comienza en un estado vago y los pesos de las conexiones, que afectan la posibilidad de detectar el fallo en cada unidad, se modifican durante el procedimiento de aprendizaje en base a diferentes pruebas. En este trabajo una nueva tcnica para el diagnstico de fallos se utiliza. Las fallas son modeladas por las transiciones no observables. Adems, se

asume que puede haber transiciones adicionales inobservables u ocultas asociadas con el comportamiento del sistema. Las redes de Petri estn conectadas a las redes neuronales y el peso de las redes neuronales se estarn entrenado seguidamente, las salidas de las redes neuronales especifican el porcentaje que puede ocurrir de cada falla. El diagnosticador trabaja en lnea con el sistema. Se espera el lanzamiento de una transicin observable y emplea un algoritmo basado en la definicin y solucin de algunos problemas de programas lineales para decidir si el comportamiento es normal o muestra algunos fallos. Los resultados caracterizan las propiedades que las redes de Petri modelan el comportamiento de fallas del sistema que cumplen con el fin de reducir el esfuerzo de los cmputos en lnea. Un buen compromiso para acelerar el diagnstico en lnea es precalcular algo fuera de lnea. Esto es particularmente eficiente usando las redes de Petri cuando se utilizan para modelar la planta. De hecho, trabajando en la estructura de la red alguna informacin til se puede calcular desconectado mejorar la eficiencia del diagnstico en lnea, sin un aumento importante en trminos de solicitud de la memoria. Redes de Petri Neuronales Las redes artificiales neurales son estructuras de computacin altamente paralelas y distribuidas que pueden aprender de la experiencia y de la mejor performance disponible de un operador. Por otra parte las redes de Petri, provee una efectiva estructura de modelado de sistemas distribuidos. Los conceptos bsicos son utilizados para desarrollar una red neuronal multicapa con una arquitectura de sistemas distribuidos. Una red neuronal de Petri es formalmente definida como una 6 tupla: RNP = (P, T, Z, A, C, M0 ) donde: P: Son los lugares; T ; Son las transiciones

Z: Son los arcos, Z (PT) U (TP);

A: Conectividad entre lugares y transiciones; C: Estados de salida de la red neuronal. El resultado de la red neuronal de Petri es una red de trabajo aguas arribas (feed forward network) con alternancia de columnas de transiciones. El resultante Neural de una Red de Petri (NPN) es la red feed forward con alternancia de columnas de lugares con transiciones. Una red de Petri neuronal es una Red de Petri pura (auto-bucles no se permiten). Esto conduce a una arquitectura feedforward. La interaccin de la red Neuronal artificial con el medio ambiente es a travs de las transiciones no observables y los lugares. La figura 1 muestra una sencilla Red de Petri Neuronal. t6 es una transicin oculta (inobservable) y los modelos de una conducta incorrecta de un sistema. La entradas de la red neuronal artificial {X1 ... X5 } estn conectadas a los lugares (a, b ... e) y a la salida de la red neuronal se obtiene el porcentaje de fallos t6 que puede suceder.

Figura 6 Red de Petri Neuronal

Deteccin de Fallas El enfoque utilizado en este documento se basa en el hecho de que el disparo de una transicin observable requiere de un correcto marcado de sus lugares de entrada. Si el mismo evento se asocia a ms de

una transicin, la observacin de un evento que no podra corresponderse necesariamente con el disparo de una sola transicin.

Teniendo en cuenta este problema complica mucho el enfoque. Un supuesto similar no es necesaria para

transiciones observables, que pueden ser contradas al ser asociada a un evento arbitrario, ya que tal caso es inobservable. Si una transicin observable se dispara entonces, si la nueva marca tiene componentes negativos, se iniciar el trabajo del diagnosticador de fallo. Las entradas de la red Neuronal artificial estn conectadas a los lugares. Si el nmero de marcas en un lugar fue positiva, relacionada con la entrada de la red Neuronal podra ser 0 y si el nmero de marcas en otro el lugar fue negativa relacionada con la entrada de la red Neuronal sera 1. Las salidas de

la red Neuronal podrn obtener el porcentaje de fallas que pueden suceder. De esta manera se da prioridad a las fallas y al principio el operador comprueba la falla que tiene ms valor e importancia. As, en este mtodo se busca reducir el tiempo que gasta en la reparacin del sistema. La diferencia entre las salidas de la red Neuronal y los valores que el operador hara despus de comprobar el error que proporciona el sistema y los pesos de la red neuronal, lo que se estara capacitando seguidamente, repitiendo estas etapas una vez ms. Ejemplo de Aplicacin: Un sistema de Manufactura Consideremos un sistema de manufactura cuyo modelo de red de Petri neuronal es mostrado en la figura y. Con t0= { t1, t2 ,t3 ,t4 ,t5 ,t6 ,t7 ,t8 ,t9 ,t10 } Y tu0{ t11, t12 , t13 }. Este sistema de manufactura consta de tres mquinas, M1, M2 y M3, los cuales son transportadores de partes y/o equipos. El sistema tiene dos

operadores F1 y F2. F1 maneja a M1 y M2. F2 puede manejar a M1 y M3. En cada equipo se realiza la operacin en dos etapas. Etapa 1: trabaja con M1 Etapa 2: trabaja con M2 o M3. Condiciones:
t1 se activa cuando se recibe un nuevo equipo t2 se activa cuando F1 comienza a trabajar con el equipo en M1 t3 es disparada cuando F1 termina de trabajar con el equipo M1 t4 es disparada cuando F2 comienza a trabajar con el equipo M1 t5 es disparada cuando F2 termina de trabajar con el equipo M1 t6 es disparada cuando F1 comienza a trabajar con el equipo M2 t7 es disparada cuando F1 termina de trabajar con el equipo M2 t8 es disparada cuando F2 comienza a trabajar con el equipo M3 t9 es disparada cuando F2 termina de trabajar con el equipo M3 t10 es disparada cuando la operacin en los equipos ha terminado. t11, t12 y t13 modelan el comportamiento de fallas de M1, M2 y M3. el nmero inicial de marcas en p4, p5, p6, p7 y p8, modelan los comportamientos errneos de las mquinas y los operadores.

Tabla A. Resultado de la aplicacin de la red de Petri Neuronal aplicada al sistema de manufactura

Figura 7 Red de Petri Neuronal del Sistema de Manufactura

Conclusiones
El modelo McCuloch-Pitts pueden ser representado con las

redes de Petri. Las redes neuronales son estructuras que permiten

procesamientos paralelos y que facilitan el aprendizaje mediante entrenamiento continuo, las cuales adaptadas a las redes de Petri favorecen la resolucin de algoritmos de procesos de mayor complejidad. No existe una frmula o procedimiento nico y exclusivo

que determine o establezca la creacin de una red de Petri en combinacin con una red neuronal. Al respecto investigaciones recientes difieren en topologas

de estas mezclas de redes, y se utilizan algunas bondades de varias topologas tales como redes hbridas Petri-Fuzzy o hbridas PetriNeuronales entre otras derivaciones.

Referencias Bibliogrficas
Castellanos, J. and L. Solaque (2010). "MODELADO CON REDES DE PETRI E IMPLEMENTACIN CON GRAFCET DE UN SISTEMA DE MANUFACTURA FLEXIBLE CON PROCESOS CONCURRENTES Y RECURSOS COMPARTIDOS." Redalyc 20: 14. Cervantes C., J. (2005). Representacin y aprendizaje de conocimiento con redes de Petri difusas. MAESTRO EN CIENCIAS, CENTRO DE INVESTIGACIN Y DE ESTUDIOS AVANZADOS DEL INSTITUTO POLITCNICO NACIONAL. Chow, T. W. and J. Y. Li (1996). "Higher-order Petri net models based on artificial neural networks." ELSEVIER Science B.V: 1 - 12. Ferreira. Redes de Petri como un modelo de especificacin formal. Mexico, Morelia, Instituto Tecnolgico de Morelia: 29. Halverson, A. and R. Otten (2002) "Petri-Nets." Intelligent Control Systems EE 5322, 1 - 19. Hirasawa, K., M. Ohbayashi, et al. (1998). "Learning Petri Network and Its Application to Nonlinear System Control." IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS 28(10834419/98): 781 - 789. Leclercq, E., S. Ould El Medhi, et al. (2008). "Petri nets design based on neural networks." ESANN'2008 proceedings European Symposium on Artificial Neural Networks: 529 534. Murillo, L. (2008). "Redes de Petri: Modelado e implementacin de algoritmos para autmatas programables." Tecnologa en Marcha 21: 23. Odrey, N. (2008). "Error Recovery in Production Systems: A Petri Net Based Intelligent System Approach." I-Tech Education and Publishing: 34. Pardo G., M. and J. Izquierdo L. (2006). "CONTROL DE UNA TORRE DE DESTILACIN DE MEZCLA BINARIA." Tecnologa Qumica. Universidad de Oriente 26: 29 - 36. Prez M., S. (2002). Modelado y Control de Sistemas Hbridos con Redes de Petri Difusas y Redes Neuronales. MAESTRO EN CIENCIAS, CENTRO DE INVESTIGACIN Y DE ESTUDIOS AVANZADOS DEL INSTITUTO POLITCNICO NACIONAL. Peters, J., S. Ramanna, et al. "Rough Neurons: Petri Net Models and Applications." 18. Rangarangi, H., A. Badamchizadeh, et al. (2012). "Fault Diagnosis of Discrete Event Systems Using Hybrid Petri Nets." International Journal of Computer Theory and Engineering 4. Reyes, G. "SISTEMAS HBRIDOS NEURO-SIMBLICOS APLICADOS A PROBLEMAS DE V.A." CENIDET. Seely, A. (2002). Petri Net Implementations of Neural Network Elements. Master of Science, Nova Southeastern University.