Control inteligente de procesos

El control automático de procesos tiene como objetivo la sustitución del operador de planta por un operador artificial que ejecute sus tareas. En una planta que se pueda modelar razonablemente mediante un modelo diferencial lineal, sin demasiadas restricciones en las especificaciones deseadas, muy posiblemente sea suficiente para resolver el problema utilizar los clásicos controladores PID, los muy conocidos controladores Proporcionales, Integrales y Derivativos. Sin embargo, cuando los posibles modelos son complejos, no lineales, o con comportamientos impredecibles, o cuando las especificaciones de comportamiento son complejas o restrictivas, los clásicos PIDs industriales no son suficientes y el sistema de control debe ser cada vez más sofisticado. Será necesario buscar soluciones en el control óptimo o en el control adaptativo, etc. y aún así, en muchos casos, seremos incapaces de resolver la situación. Como consecuencia, se llega de nuevo a la necesidad de la presencia de un operador humano, encargado de la evaluación del estado del proceso y de tomar decisiones sobre cambios en la estructura, los parámetros o los objetivos del sistema de control. Aunque la complejidad del modelo y los niveles de incertidumbre sean tan altos que imposibilite la solución del problema por métodos clásicos de control, el operador humano, con un adecuado entrenamiento, es capaz de hacer frente a este tipo de problemas.

Esta sorprendente capacidad humana es lo que trataremos de emular con el control inteligente. Comprende una serie de técnicas, tomadas fundamentalmente de la inteligencia artificial, con las que se pretenden resolver problemas de control inabordables por los métodos clásicos.

La técnica pionera de Control Inteligente fue la adaptación de los Sistemas Expertos al tiempo real y su aplicación al control de procesos. A grandes rasgos un sistema experto está formado internamente por una base de conocimiento, un motor de inferencia y unas interfaces, con el operador, con sensores externos, con el equipo de desarrollo, etc. En la base de conocimiento se almacenan hechos y reglas. El motor de inferencia es el programa que emula el razonamiento humano. Aplica las reglas a los hechos generando nuevos hechos, que, a su vez, pueden requerir la aplicación de nuevas reglas, llegando finalmente a conclusiones. El control basado en reglas es la aplicación directa de los sistemas expertos en control. En este caso la base de conocimientos se obtiene de un experto humano: el operador del proceso a controlar. Hay que resaltar, por tanto, la necesidad del experto humano y la necesidad de un proceso de extracción y formalización del conocimiento, la llamada Ingeniería del Conocimiento. El sistema experto sustituye por tanto al experto humano, al menos en alguna de sus actividades.

Como segunda técnica básica hablaremos del Control Borroso. El control borroso trata de implantar en el computador, intrínsecamente numérico, las estrategias de control de los operadores de proceso, expresadas muchas veces en términos lingüísticos, y por tanto imprecisos.  El nexo entre estos dos mundos, el impreciso y el numérico, se basa en la lógica borrosa. El objetivo de la lógica borrosa es el de la formalización del razonamiento con incertidumbre. Intenta abordar problemas definidos en términos lingüísticos, con datos expresados en términos cualitativos.

En contraposición a la lógica clásica, en la que cualquier enunciado o proposición puede tomar un valor lógico VERDADERO o FALSO, los valores lógicos borrosos se corresponden a términos lingüísticos, como a medias, bastante, casi, poco, mucho, algo, etc. Permite, por tanto, plantear el problema en los mismos términos en los que lo haría un experto humano.

Hay que destacar la gran evolución que han tenido los controladores borrosos que actualmente se aplican también para el modelado no lineal de la planta y el diseño de sistemas de control.

La tercera técnica que revisaremos es la de las Redes Neuronales Artificiales (RNA). Surgen como un intento para emular el funcionamiento de las neuronas de nuestro cerebro. En este sentido las RNA siguen una tendencia diferente a los enfoques clásicos de la inteligencia artificial, los cuales tratan de emular la inteligencia buscando imitar los procesos de razonamiento humano. Al igual que nuestro cerebro está compuesto por una gran cantidad de neuronas biológicas interconectadas, las RNA están formadas por la interconexión de un gran número de neuronas artificiales, de manera que se pretende imitar, de un modo un tanto burdo, el funcionamiento del cerebro.

La característica básica de las RNA es su capacidad de aprendizaje. Desde el punto de vista de control, la principal característica a explotar de las redes neuronales es precisamente su habilidad para representar y por tanto modelar sistemas no lineales. La propia red neuronal se puede encargar de generar la señal de control que actuará sobre el proceso, o puede emular la planta y servir como soporte para la obtención del control que se enviará a la planta, que puede ser generado por un método distinto.

Como cuarta y última técnica básica hablaremos de los Algoritmos Genéticos. Son llamados así porque se inspiran en la evolución biológica y su base genética. En la evolución de las especies, cuando se produce una variación del entorno, sólo los individuos que se adaptan a esa variación sobreviven. A lo largo del tiempo van naciendo nuevos individuos que pasan a formar parte de la comunidad, con características genéticas que les hacen parecerse a sus padres, y permiten que la especie se mantenga. Además, en algunas ocasiones se producen mutaciones que dan lugar a individuos mejor o peor adaptados.

Los algoritmos Genéticos forman parte de la llamada Computación Evolutiva. En esta familia se consideran algoritmos que exhiben un comportamiento adaptativo y que permiten abordar problemas de optimización no lineales, incluso de grandes dimensiones, sin la necesidad de aplicar métodos basados en el gradiente o requerir un conocimiento explícito del problema.

Hemos visto que el control inteligente agrupa varias técnicas de control, varias herramientas para resolver distintos problemas. Sin embargo, no existe la herramienta universal, por lo que lo verdaderamente inteligente es usar la herramienta adecuada para cada problema, lo que redundará en la obtención de mejores prestaciones. En una planta industrial los problemas de control son múltiples. Cuando los clásicos PIDs sean la solución debemos utilizarlos, al mismo tiempo la no linealidad de otra parte del proceso puede hacer recomendable un control borroso y muy posiblemente necesitemos un sistema experto para resolver problemas de alto nivel, para gestión de alarmas o para ayuda al operador. Surge por tanto la necesidad de un mecanismo de integración. Este es un problema de ingeniería del software que debe tenerse en cuenta cuando se planifica el desarrollo de un sistema de Control Inteligente, ya que puede suponer un incremento de costes de desarrollo y una pérdida de las prestaciones esperadas.

Como conclusión, el Control Inteligente es el resultado de la intersección del Control Automático, la Inteligencia Artificial y los Sistemas Informáticos de Tiempo Real.

Agustín Jiménez Avello,

Miembro del Grupo Temático en Control Inteligente del Comité Español de Automática.

Catedrático del Departamento de Automática, Ingeniería Eléctrica y Electrónica e Informática Industrial de la Universidad Politécnica de Madrid.

págs. 14 a 15.