Por otro lado, la evolución de los sistemas de ingeniería, como por ejemplo: la aviación, la robótica o las plantas de generación nucleoeléctrica, han alcanzado un grado de complejidad tal, que cada vez es más, no sólo deseable, sino necesario que sean capaces de exhibir un comportamiento inteligente. De manera muy relevante, dentro de la Ingeniería de Control existe un importante número de aplicaciones en donde los métodos de la IA podrían implantarse con éxito. Las aplicaciones potenciales pasan por todas las etapas, desde el análisis del comportamiento dinámico, hasta el diseño y desarrollo de los controladores para los procesos. Sistemas basados en conocimiento, razonamiento inductivo, sistemas difusos y redes neuronales son algunas de las técnicas que han sido usadas en el intento de diseñar controladores inteligentes. De manera recíproca, la IA puede resultar enriquecida y estimulada tanto con la aplicación de sus técnicas en los problemas de ingeniería como con la incorporación de conceptos y herramientas probados durante muchos años. Su aplicación en campos como la identificación de sistemas y el control de procesos, puede ayudar a medir tanto su grado de madurez como sus limitaciones actuales. La evaluación rigurosa de las técnicas de la IA a la luz de aplicaciones en el mundo real, es un elemento fundamental para enfocar correctamente la dirección de los desarrollos futuros. Además, es claro que existen importantes relaciones entre ambas disciplinas como el aprendizaje, la autonomía y la adaptación. Pretender resolver estas cuestiones bajo un único punto de vista es perder la perspectiva y la oportunidad del beneficio del efecto sinergético.
Se han requerido muchos años para desarrollar los actuales algoritmos para el control de procesos complejos. Basándose en esquemas tales como la teoría de sistemas lineales, las teorías de control óptimo y estocástico y sus extensiones, las teorías de control adaptativo y control robusto, ha sido construida una amplia y sólida base teórica. En todas estas teorías de diseño, tanto el conocimiento del proceso que se desea controlar, como la inteligencia del ingeniero para decidir la estrategia de control correcta, se capturan bajo un esquema definido como "fuera de línea." Existen casos donde el proceso no puede ser descrito mediante modelos lineales, o donde los requerimientos no pueden ser traducidos en un criterio simple para medir la calidad de actuación (como por ejemplo una función de coste cuadrática). En tales situaciones no es posible encontrar una solución analítica basada en los esquemas antes mencionados, y el problema de diseño del controlador debe de ser traducido a un problema de optimización numérica. Aunque en este último caso también son necesarios modelos matemáticos, la experiencia y el conocimiento del experto son requeridos en una fase posterior del ciclo de diseño del controlador cuando la optimización numérica es realizada mediante extensivas ejecuciones de simulación.
Aún así, existen condiciones bajo las cuales, las técnicas de control clásicas no pueden ser aplicadas y puede ser muy ventajoso basar la estrategia de diseño en un enfoque diferente. Algunas de tales condiciones pueden ser:
En situaciones tales como éstas, las aproximaciones matemáticas puramente cuantitativas suelen no trabajar bien y pueden ser reemplazadas con éxito por métodos alternativos de la IA, es decir, por métodos que trabajan utilizando como base una descripción del comportamiento del proceso compuesta por la mezcla de información cualitativa y de la información cuantitativa medida con que se cuenta.
Los métodos alternativos que han sido más comúnmente usados bajo estas situaciones son los siguientes.
Por otro lado, muchos investigadores de la comunidad de IA son aún reticentes a aceptar la idea de que aquellas aproximaciones que no estén basadas en representaciones de datos puramente simbólicas puedan ser llamadas inteligentes. Sin embargo, y de manera análoga a la comunidad de control, miembros más prácticos dentro de la comunidad de la IA, se han convencido del impresionante éxito que han tenido, por ejemplo, las redes neuronales especializadas para resolver tareas de la IA como el reconocimiento de patrones, y han considerado estas nuevas técnicas como una importante rama de la IA. Las nuevas generaciones de ingenieros de control y de practicantes de la IA han unido sus fuerzas para resolver problemas que hasta hace muy poco eran considerados como intratables.
En nuestra opinión, la teoría de control clásica desarrollada hasta ahora, se ve imposibilitada de tratar todos los problemas relevantes del mundo real, y nuevas aproximaciones basadas en IA, pueden añadir una nueva faceta a la teoría de control que permitirá ampliar el conjunto de problemas prácticos de control que pueden ser resueltos. Estos métodos alternativos son similares a la forma en la que los seres humanos resuelven las tareas de control, la cual, contrariamente a los algoritmos matemáticos utilizados hasta ahora, no tiene problemas para manejar conocimiento incompleto o impreciso y es realmente capaz de basar las decisiones de control en información cualitativa y frecuentemente incompleta.
Así también, diversas áreas de investigación en IA, como el razonamiento inductivo y la simulación cualitativa, pueden verse reforzadas al incorporar algunos de los más rigurosos y precisos métodos de análisis y diseño que existen, y que han sido probados con éxito durante décadas por los ingenieros de control en la resolución de problemas complejos. Ser capaces de tomar decisiones correctas bajo información incompleta y aún bajo información contradictoria es una gran cualidad, pero no ser capaces de hacer uso de la información cuantitativa con la que se cuenta, justo porque la metodología no permite incorporarla, es notoriamente una gran debilidad. La fusión de métodos cualitativos y cuantitativos es en sí misma una importante área de investigación que verdaderamente merece ser cultivada.
Algunos investigadores en el campo de la IA están llegando a la conclusión de que la inteligencia puede ser entendida mejor si es vista como un sistema integrado de mente y cuerpo [Chand 89]. Por otra parte, campos como la Robótica y el Control Automático intentan dotar de inteligencia a los robots y aumentar las capacidades de desempeño de los controladores que operan sobre mecanismos y sistemas, en tal forma que les permitan convertirse en organismos más autónomos. A diferencia de la Psicología Cognoscitiva, la IA tiene por objetivo no sólo estudiar, sino también construir sistemas que trabajen inteligentemente. Adicionalmente, la IA, la Robótica y la Automática deben tratar problemas del mundo real y, casi siempre, en una escala de complejidad superior.
Así, mientras los psicólogos cognoscitivos abordan la cuestión de la inteligencia de una manera global y, por lo tanto, con una necesaria dosis de vaguedad, los ingenieros de control están forzados a tratar problemas concretos del mundo real, resultando mucho más modesta y específica su visión de la inteligencia artificial. Los investigadores de la IA están quizás situados entre ambos extremos. Los objetivos de esta tesis están ubicados en la región donde se unen la IA y la Ingeniería de Control.
Desde la óptica de la IA, puede verse a los controladores como los agentes inteligentes que son responsables de que los sistemas operen como se desea. Si bien es cierto que, como se ha apuntado antes, existe una vasta cantidad de experiencia y conocimiento respecto de los controladores, su dinámica, su comportamiento y su relación con los procesos y mecanismos que controlan, debe ser desarrollada una nueva generación de controladores con la característica de ser altamente autónomos si pretendemos que los futuros sistemas muestren realmente un comportamiento inteligente. Es en esa nueva generación de controladores, donde la consideración y el uso de las técnicas de la IA resultan imprescindibles.
Aunque las decisiones de los agentes inteligentes artificiales puedan ser vistas como discretas, representadas simbólicamente y esencialmente cualitativas, deben ser tomadas en un mundo que evoluciona en un tiempo y un espacio continuo. Puede resultar muy útil representar estas decisiones en forma numérica para hacer posible que interaccionen con el entorno de control de manera cuantitativamente coordinada. Una visión conjunta de la IA y del Control Automático puede permitir resolver problemas realmente interesantes en los que se integre la información cualitativa y discreta de los "problem-solving" simbólicos, con la información cuantitativa y continua de la percepción y la acción de los actuadores.
El aprendizaje, el razonamiento con sentido común y la dinámica de los procesos son problemas de interés para ambos campos y claves para su desarrollo posterior. En particular la IA ha generado muchas ideas y técnicas útiles que pueden ser usadas para construir sistemas de control más flexibles y robustos. Recíprocamente la IA puede enriquecerse incorporando conceptos como la causalidad temporal y estructural, la dinámica de procesos y el análisis paramétrico procedentes de la Teoría de Sistemas y la Teoría de Control Clásico. Un primer objetivo de esta tesis es colaborar en la construcción de un puente que una los mundos del cálculo cuantitativo y del razonamiento cualitativo.
Quizás, el problema fundamental que ha impedido la integración de ambos campos en el pasado, es la inherente incompatibilidad que existe entre el esquema simbólico de la IA y la naturaleza numérica de las teorías de sistemas y de control, haciendo que la transferencia de información en la interfaz sea una empresa difícil. Componentes que surgen como naturales en esta interfaz son los sensores y los actuadores ya que estos han tenido siempre roles similares. Por ejemplo, en los sistemas de control de energía, los sensores traducen las señales de energía en señales de información que pueden ser procesadas por los controladores, mientras que los actuadores traducen las respuestas del controlador (señales de información) en las entradas necesarias a la planta (señales de energía). En los equipos analógicos de control digital, los sensores traducen señales analógicas en señales digitales, las cuales pueden entonces ser procesadas por los controladores digitales, y los actuadores traducen la salida deseada del controlador (señales digitales) en entradas a la planta (señales analógicas). En control inteligente las cosas serán similares. Los sensores traducen la información cuantitativa de la planta que se desea controlar en la información cualitativa que será usada por los razonadores (controladores), preservando aquella valiosa información cuantitativa que sea útil y desechando la información redundante que haría lento e ineficiente el proceso de razonamiento. Los actuadores convierten entonces el resultado cualitativo del proceso de razonamiento (respuesta del controlador) en señales cuantitativas, llevando la planta de su estado actual al punto deseado de operación. Esta tesis muestra un procedimiento sistemático para diseñar y desarrollar dicha arquitectura de control inteligente, utilizando el esquema básico de los controladores difusos.
En base a resultados principalmente prácticos, la teoría de control ha reconocido, no sin reservas, que los controladores difusos permiten el control de muchas clases de sistemas de una manera robusta e inteligente. Los Controladores Difusos son básicamente controladores lógicos que utilizan lógica multivaluada. Las funciones de pertenencia son usadas para estimar la calidad de las decisiones lógicas (discretas) y para suavizar las fronteras entre los diferentes valores discretos que durante el proceso de actuación envía el controlador.
Hasta ahora, no obstante, el diseño de controladores difusos, es decir, la determinación de valores límite entre las fronteras de los diferentes valores discretos en la lógica multivaluada y en algunos casos la determinación de la forma de las funciones de pertenencia, ha hecho uso tradicionalmente de técnicas que son predominantemente heurísticas. Aunque siguiendo cierto esquema común, prácticamente cada controlador difuso debe ser diseñado de una manera ad hoc. En algunos casos la programación no lineal ha sido usada para minimizar un cierto índice de desempeño en la calidad mostrada por el controlador difuso. En otros casos han sido las redes neuronales las encargadas de optimizar los parámetros de los controladores difusos. Los algoritmos genéticos son otra técnica a la que se ha recurrido para alcanzar el mismo objetivo. Sin embargo, todas estas técnicas tienen la característica de ser lentas en su velocidad de convergencia y de no garantizar que ésta sea alcanzada.
El objetivo central de la tesis que aquí se propone es el desarrollo de una nueva aproximación al diseño de controladores difusos. Esta aproximación se caracteriza por ser sistemática y rápidamente convergente hacia una solución óptima (óptima en términos de un índice especial de comportamiento definido para este propósito). La aproximación tiene como bases de IA el razonamiento inductivo y la lógica difusa y como bases de la teoría de control el estudio del modelado de la dinámica inversa de sistemas no lineales.
Un último objetivo de este trabajo, y no por ello debe considerarse menos importante, es su aportación en el proceso de estudio, evaluación y desarrollo de la propia herramienta de razonamiento inductivo seleccionada. La evolución del razonamiento inductivo difuso, tal y como es utilizado en esta tesis, puede verse como un proceso que ha venido desarrollándose en etapas y que ha evolucionado a partir del paradigma de la Teoría General de Sistemas conocido como "General System Problem Solving (GSPS)".
El capítulo número 2 presenta los elementos fundamentales de la teoría del control difuso. El primer punto considerado es el estado del arte y los principales obstáculos que aún han de ser superados para que esta tecnología pueda ser considerada como una tecnología madura. Aunque de manera únicamente introductoria, se dan los elementos de la teoría de conjuntos difusos que son más relevantes en el campo del modelado de sistemas dinámicos. Posteriormente, se describen, uno por uno, los elementos comunes que deben ser abordados por las diferentes arquitecturas de controladores difusos. A medida que cada elemento es considerado, se resaltan los elementos diferenciales que hacen que nuestra metodología de diseño constituya realmente una alternativa novedosa.
Como se verá más adelante en el capítulo número 6, un elemento indispensable en nuestra metodología de diseño de controladores es el contar con una técnica de modelado cualitativo que satisfaga varios requisitos. La selección de la técnica que resultase más adecuada para la tarea de diseño de controladores difusos fue una tarea que requirió un esfuerzo considerable que pensamos debería ser reportado. Ello nos llevó a estudiar y probar el estado actual de los diferentes paradigmas con lo que, finalmente, fue posible la elección la más prometedora desde un punto de vista que conjuntase los requerimientos de nuestro objetivo con aquellos que valoran la originalidad de la investigación aún no realizada. Una breve descripción de ellas, seguida de su respectivo análisis de aplicabilidad al problema de control, es dada en el capítulo número 3.
Como resultado del estudio comparativo fue seleccionada una metodología cuya característica más destacable es su capacidad para capturar la causalidad y el conjunto de comportamientos dinámicos de un sistema. Conocida como Razonamiento Inductivo Difuso, esta técnica lleva a cabo una formulación de una parte de la Teoría General de Sistemas (la inductiva) considerando como marco la Teoría de Conjuntos Difusos. A lo largo del capítulo, cada uno de los elementos que constituyen esta metodología es presentado, discutido y finalmente ejemplificado. Ya que ésta es una metodología aún muy poco conocida y en la que muy pocos investigadores trabajan, consideramos pertinente que el nivel de descripción fuera detallado y profundo.
La técnica de modelado cualitativo mediante razonamiento inductivo difuso no sería de ninguna utilidad si no fuera capaz de trabajar en concordancia con las estructuras numéricas de su entorno cuantitativo, lo cual es una cualidad indispensable en el área de control. El desarrollo de una técnica de acoplamiento entre estructuras cualitativas y cuantitativas se presenta en el capítulo número 5, donde, mediante un ejemplo académico pero de buen grado de complejidad, se estudian los detalles de cada uno de los elementos que la componen y se demuestra su factibilidad.
Una vez resueltos los problemas de adquisición, representación y manejo del conocimiento, en el capítulo número 6 se integran las herramientas previamente desarrolladas y añadiendo algunos elementos finales se enuncia la nueva metodología para el diseño de controladores difusos. La idea central de la metodología está basada en la utilización de un modelo en cascada que puede interpretarse como un controlador óptimo en bucle abierto que debidamente identificado mediante un modelo cualitativo puede ser reemplazado para permitir que la configuración del control en bucle abierto sea transformada en una configuración de bucle cerrado. El modelo en cascada está compuesto por un modelo de referencia que hace las veces de operador experto y por un modelo de la dinámica inversa de la planta que estima las entradas que la planta debe obtener para comportarse tal y como el modelo de referencia indica. La formulación resultante es prácticamente independiente del sistema que se desee considerar. Una vez enunciado en forma completa, el método de diseño es probado e ilustrado mediante el diseño de un sistema de control para una planta del tipo de una entrada y una salida (SISO). El resultado obtenido permite mostrar la validez de la metodología propuesta.
Finalmente, la metodología es probada en un caso de estudio de complejidad del mundo real en el capítulo número 7. El caso de un piloto automático para la conducción de un gran barco de carga fue seleccionado como aplicación de prueba porque cumple con varios requisitos interesantes. Por un lado es una planta cuyo comportamiento dinámico es altamente no lineal y nada trivial de resolver. Por el otro, es un problema relativamente clásico que se ha intentado resolver mediante todo tipo de estrategias (clásicas, adaptativas, difusas) por lo que resulta muy adecuado para los propósitos de comparación permitiendos estimar cuantitativamente la bondad de nuestra metodología.
En el último capítulo se hará, de manera sintética y clara, un resumen de las aportaciones más relevantes de esta tesis, de los aspectos que no fueron posibles de resolver y de los problemas de investigación que se han abierto como resultado de la presente tesis.
Un punto final que deseamos destacar en esta introducción es que, aunque el hilo conductor durante la exposición del material contenido en esta tesis es el diseño de controladores difusos, puede resultar de interés para el lector saber que el desarrollo de la investigación ha sido en alguna forma inverso. Es decir, no fue el diseño de controladores difusos el que motivó originalmente el estudio de las diferentes técnicas y herramientas disponibles, más bien fue la búsqueda de una metodología que permitiera mezclar modelos de estructura simbólica con modelos numéricos convencionales dentro de un esquema de simulación mixta, lo que una vez encontrado, motivó la búsqueda de campos de aplicación lo suficientemente complejos para permitir evaluar el alcance de su potencial. Uno de estos campos de aplicación fue precisamente el desarrollo de una técnica para el diseño sistemático de controladores difusos de la cual ha sido objeto esta tesis. Como siempre suele ocurrir en estos casos, cuando se desea ir más allá de un simple ejemplo académico, la complejidad de la aplicación resulta tal que terminó invirtiendo el orden de interés científico y que es el que finalmente adquirió la presente investigación. Resulta por ello inevitable que, junto con la presentación de la nueva metodología para desarrollar controladores difusos de manera sistemática, se haga continuo énfasis en la estructura y las cualidades de la herramienta metodológica.
¿Quieres leer toda la tesis? (278 pages, 3,242,886 bytes, pdf)