BIENVENIDOS

BIENVENIDOS

DIAGNOSTICO Y DECISIÓN

SISTEMAS DE SUPERVISIÓN

SCMF e r n á n d e z N o r v e l i s

F e r n á n d e z D a v i d

Áreas de GradoIngeniería de Sistemas

Seminario: Estrategias Para laAutomatización Industrial

Herramientas de Soporte:

Inteligencia ArtificialPara el Diagnostico y

Decisión en la Supervisión de

Procesos

CONTENIDOINTRODUCCION

SISTEMAS EXPERTOS

REDES NEURONALES ARTIFICIALESRAZONAMIENTO BASADO EN CASOS

RECONFIGURACION

CONCLUSIONES

REFERENCIAS

INTRODUCCION

SISTEMAS EXPERTO

SSe 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

SISTEMAS EXPERTO

SEsta Compuesto por:Motor de Inferencia y Una Base de Conocimientos

Una Base de Reglas Una Base de Hechos

IF[Sucede_Algo]THEN[Decide/Concluye_Algo]CERTAINTY[Valoración]

Una Base de Regla es un conjunto de reglas del tipo:Una Base de Hechos: es el conjunto de Evidencias junto con sus certezas asociadas

Ejemplo: Problemas con la Valvula 12, con certeza de 90%

SISTEMAS EXPERTO

S

Motor de InferenciaSe encarga de recorrer las reglas inspeccionando si las puede aplicar. Es decir, se encarga de ejecutar el razonamiento.

SISTEMAS EXPERTO

STipos básicos de motores de inferencia

Motor de Inferencia

FORWARD CHAINING(Encadenamiento Hacia

Adelante).Busca qué 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 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 ejecutar.

BACKWARD CHAINING (Encadenamiento Hacia Atrás).

En este caso, dado un hecho especial (hipótesis), 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.

SISTEMAS EXPERTO

S

Permanencia: A diferencia de un experto humano un SE no envejece, y por tanto no sufre pérdida de facultades con el paso del tiempo.

Replicación: Una vez programado un SE lo podemos replicar infinidad de veces.

Rapidez: Un SE puede obtener información de una base de datos y realizar cálculos numéricos mucho más rápido que cualquier ser humano.

VENTAJAS DE UN SE

Bajo costo: A pesar de que el costo inicial pueda ser elevado, gracias a la capacidad de duplicación el coste finalmente es bajo.

Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o dañinos para el ser humano.

Fiabilidad: Los SE no se ven afectados por condiciones externas, un humano sí (cansancio, presión, etc.)

SISTEMAS EXPERTO

S

Sentido común: Para un Sistema Experto no hay nada obvio. Por ejemplo, un sistema experto sobre medicina podría admitir que un hombre lleva 40 meses embarazado, a no ser que se especifique que esto no es posible ya que un hombre no puede gestar hijos.Lenguaje natural: Con un experto humano podemos mantener una conversación informal mientras que con un SE no podemos.Capacidad de aprendizaje: Cualquier persona aprende con relativa facilidad de sus errores y de errores ajenos, que un SE haga esto es muy complicado.

LIMITACIONES DE UN SE

Perspectiva global: Un experto humano es capaz de distinguir cuales son las cuestiones relevantes de un problema y separarlas de cuestiones secundarias.Capacidad sensorial: Un SE carece de sentidos.Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos para la resolución de un problema.Conocimiento no estructurado: Un SE no es capaz de manejar conocimiento poco estructurado.

REDES NEURONALE

SLas redes neuronales artificiales pueden definirse como sistemas de computación constituidos por un gran número de elementos de proceso simples y muy interconectados.

APLICACIONES A LA SUPERVISION Filtrado de señales Reconocimiento de patrones Búsqueda en bases de datos Segmentación Compresión y fusión de datos Toma de decisiones

VENTAJAS:Aprendizaje adaptativoAuto-organizaciónTolerancia a fallosOperación en tiempo real

REDES NEURONALE

SLa unidad análoga a la neurona biológica es el elemento procesadorUn PE tiene varias entradas y las combina, normalmente con una

suma básica.La suma de las entradas es

modificada por una función de transferencia y el valor de la salida de esta función de transferencia se pasa directamente a la salida del PE

La salida del PE se puede conectar a las entradas de otras neuronas artificiales (PE) mediante conexiones ponderadas

REDES NEURONALE

S

Elemento procesador de una red neuronal artificial implementada en un

ordenador

Una red neuronal consiste en un conjunto de unidades elementales PE conectadas de una forma concreta.

REDES NEURONALE

S

El interés de las ANN no reside solamente en el

modelo del elemento PE sino en las formas en

que se conectan estos elementos procesadores.

Generalmente los elementos PE están organizados en grupos llamados niveles o capas

Existen dos capas con conexiones con el mundo exterior. Una capa de entrada, buffer de entrada, donde se presentan los datos a la red, y

una capa buffer de salida que mantiene la respuesta de la red a una entrada. El resto de las capas

reciben el nombre de capas ocultas.

REDES NEURONALE

S

CBRRAZONAMIENTO BASADO EN

CASOSConstituye un enfoque para reutilizar el conocimiento existente 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, etc., pero no existe ningún

modelo formal.

CBRRAZONAMIENTO BASADO EN

CASOSEs aplicable en un caso de supervisión de procesos de

naturaleza compleja y sin ningún modelo matemático preciso, donde la

experiencia, el conocimiento y la intuición de los especialistas

proporcionan un control satisfactorio y seguro.

Simplemente la reutilización de ese conocimiento puede

constituir un acercamiento constructivo para una

supervisión eficaz.

CBR 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.

CBRRAZONAMIENTO BASADO EN

CASOSEn general, se dice que el CBR comprende las siguientes cuatro actividades RE

REcuperación del caso (o casos)

más similar(es).

REutilización de casos como

soluciones potenciales para

resolver el problema.

REvisión de la solución propuesta.

REtención de la solución obtenida

(después de su comprobación) en

la base de conocimiento para

su posterior utilización.

RECONFIGURACIÓNDeterminación de las acciones

necesarias para restablecer el funcionamiento normal del proceso o para minimizar en lo posible el efecto de los fallos.

En cualquier caso, se trata de reconducir el proceso

desde un estado anormal (de fallo) al estado normal

con el mínimo coste posible.

RECONFIGURACIÓN

descrito mediante estados y transiciones, en los que cada estado representa una situación (normal o alguna de las posibles situaciones de fallo) del proceso.

El proceso supervisado, aunque continuo, puede ser estudiado de forma más general como un sistema de eventos discretos,

CONCLUSION

REFERENCIASStuart Russell y Peter Norving, "Inteligencia Artificial, Un enfoque Moderno", 53500 Naucalpan de Juárez Estado de México, Editorial Prentice Hall Hispanoamericana, S. A. Razonamiento basado en casos. Disponible en: http://es.wikipedia.org/wiki/Razonamiento_basado_en_casos. (Consultado el 29 de Marzo de 2014) Sistema Experto. Disponible en: http://es.wikipedia.org/wiki/Sistema_experto. (Consultado el 29 de Marzo de 2014) Sistemas Expertos. Disponible en: http://sistemasexpertosfer.blogspot.com/2012/03/motor-de-inferencia.html. (Consultado el 29 de Marzo de 2014) Xabier Basogain Olabe, REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES [Documento en línea] Disponible en: http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenidos/pdf/libro-del-curso.pdf

MUCHAS GRACIAS POR SU

ATENCION