DIPLOMADO EN GESTIÓN DE
ACTIVOS & MANTENIMIENTO 2022 V2
PROFUNDIZACIÓN EN GESTIÓN DE ACTIVOS
MONITORIZACIÓN REMOTA E INTELIGENTE DE SIGNOS VITALES
Módulo 4: Sistemas Expertos y Lógica Difusa
JNoviembre 2022
CONTENIDO
MÓDULO 4: SISTEMAS EXPERTOS Y LÓGICA DIFUSA
Fundamentos de sistemas expertos
Sistemas expertos para Monitorización Inteligente
Aplicaciones de sistemas expertos
Fundamentos de lógica difusa
Lógica difusa para Monitorización Inteligente
Aplicaciones de lógica difusa
2
FUNDAMENTOS DE SISTEMAS EXPERTOS
INTRODUCCIÓN
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 definición enfatiza que un sistema experto debe tener un grado de
competencia similar al de los expertos humanos.
3
FUNDAMENTOS DE SISTEMAS EXPERTOS
Un sistema experto está basado en conocimiento, el que se almacena en la
Base de Conocimientos, en forma separada al mecanismo de razonamiento
y utilizando un mecanismo de representación, por ejemplo reglas IF ...
THEN. Emplea heurísticas y procesamiento simbólico, y es capaz de explicar
las decisiones que toma.
Por el contrario, un programa convencional está basado en algoritmos, es
decir, en procedimientos definidos por pasos elementales. Generalmente
está orientado al procesamiento numérico y utiliza bases de datos.
Un sistema experto es adecuado para enfrentar un determinado
problema sólo si los expertos son capaces de explicar los métodos
mediante los cuales resuelven los problemas en su dominio.
4
FUNDAMENTOS DE SISTEMAS EXPERTOS
ADQUISICIÓN DEL CONOCIMIENTO
Es el proceso mediante el cual se localiza, recolecta y refina el
conocimiento que dará origen al sistema experto.
La principal fuente de conocimiento está constituida por los expertos
humanos en el dominio de aplicación; 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. También existen herramientas de software
específicamente para apoyar el proceso de adquisición del conocimiento.
5
FUNDAMENTOS DE SISTEMAS EXPERTOS
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 mecanismos
de representación.
Para tener éxito en el proceso es fundamental la colaboración de los
expertos.
6
FUNDAMENTOS DE SISTEMAS EXPERTOS
REPRESENTACIÓN 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 representación más utilizados son:
Las redes semánticas
Las triplas objeto-atributo-valor
Las reglas
Los marcos
Las expresiones lógicas.
Las reglas son el mecanismo de representación del conocimiento más
utilizado en detección y diagnóstico de fallas y anomalías. 7
FUNDAMENTOS DE SISTEMAS EXPERTOS
REGLAS
Una regla es una sentencia condicional que tiene dos partes. La primera (la
premisa o antecedente) está formada por una o varias cláusulas SI que
establecen las condiciones que han de satisfacerse para que pueda
afirmarse una segunda parte ENTONCES (la conclusión o consecuente).
Estructura de las reglas:
SI <premisa> ENTONCES <conclusión>
Las reglas son llamadas también producciones y los sistemas basados en
reglas, sistemas de producciones.
El mecanismo de reglas es una representación muy simple y flexible del
pensamiento humano por lo que permite transferir muy fácilmente el
conocimiento de un experto a un programa computacional. 8
FUNDAMENTOS DE SISTEMAS EXPERTOS
COMPONENTES DE UN SISTEMA EXPERTO
Los elementos distintivos de un sistema experto son:
La Base de Conocimientos
El Motor de Inferencias
El Generador de Explicaciones.
9
FUNDAMENTOS DE SISTEMAS EXPERTOS
10
FUNDAMENTOS DE SISTEMAS EXPERTOS
Base de conocimientos
Almacena las reglas del sistema experto.
Generador de explicaciones
Es el módulo encargado de fundamentar las decisiones del sistema experto.
Motor de inferencias
El Motor de Inferencias realiza dos tareas principales:
Examina los hechos y las reglas, y si es posible, añade nuevos
hechos
Decide el orden en que se hacen las inferencias.
Para realizar estas tareas utiliza estrategias de inferencia y estrategias de
control.
11
FUNDAMENTOS DE SISTEMAS EXPERTOS
REPRESENTACIÓN GRÁFICA DE RELACIONES ENTRE REGLAS
12
FUNDAMENTOS DE SISTEMAS EXPERTOS
REPRESENTACIÓN GRÁFICA DE RELACIONES ENTRE REGLAS
13
FUNDAMENTOS DE SISTEMAS EXPERTOS
ESTRATEGIAS DE CONTROL EN UN SISTEMA EXPERTO
Desde el punto de vista del control, el Motor de Inferencias debe resolver
dos problemas:
Cómo iniciar el proceso de razonamiento, considerando las reglas y los
hechos existentes en la Base de Conocimiento.
Cómo seleccionar qué regla procesar, cuando existen varias
alternativas.
Las estrategias de control presentan diversas clasificaciones:
Encadenamiento hacia adelante y encadenamiento hacia atrás.
Búsqueda en profundidad y búsqueda en extensión.
Razonamiento monotónico y razonamiento no monotónico.
14
FUNDAMENTOS DE SISTEMAS EXPERTOS
15
FUNDAMENTOS DE SISTEMAS EXPERTOS
Encadenamiento hacia adelante o “forward chaining”
Se construye el objetivo o se elabora la solución, para lo cual se consideran
primero todas las reglas cuyas premisas son verdaderas, se establecen
nuevos hechos y se determina qué nuevas reglas pueden procesarse; el
proceso termina cuando se alcanza un objetivo o se agotan las
posibilidades.
Este mecanismo se denomina también “impulsado por datos” y es el más
apropiado en el caso de sistemas expertos que construyen soluciones a
partir de especificaciones, por ejemplo, en sistemas para diseño de planes.
16
FUNDAMENTOS DE SISTEMAS EXPERTOS
Encadenamiento hacia atrás 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 éstas son
correctas, lo cual conduce a determinar otras reglas que podrían 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 también “impulsado por objetivos” y se utiliza
preferentemente en sistemas en que los resultados posibles son conocidos,
por ejemplo en clasificación de muestras, diagnóstico médico y diagnóstico
de fallas.
17
FUNDAMENTOS DE SISTEMAS EXPERTOS
Búsqueda en profundidad
Siempre que puede, el Motor de Inferencias genera un subobjetivo, buscando
el máximo detalle. Se asocia a las personas especialistas.
Búsqueda en extensión
El Motor de Inferencias barre todas las premisas de la regla antes de
profundizar en búsqueda de más detalles. Se asocia a las personas
generalistas.
Razonamiento monotónico
Todos los valores que se obtienen para los atributos quedan marcados y
permanecen siempre como verdaderos.
Razonamiento no monotónico
En este caso los hechos verdaderos pueden anularse. Por ejemplo, el camino
determinado como óptimo en un proceso de planificación puede dejar de
serlo cuando se recibe nueva información. 18
FUNDAMENTOS DE SISTEMAS EXPERTOS
SISTEMAS EXPERTOS EN TIEMPO REAL
Los sistemas en tiempo real deben hacer frente a una serie de características
propias de la aplicación, las que plantean requerimientos particulares:
Interfaz con ambiente externo, ya que los datos se adquieren de
sensores.
Falta de monotonicidad. Los datos no permanecen estáticos, varían en
el tiempo y pierden validez.
Datos inciertos o que faltan, por fallas en sensores o sistemas de
transmisión.
Eventos asíncronos. El sistema debe hacer frente a eventos no
programados previamente que lo interrumpen asíncronamente y que
pueden variar en importancia relativa. 19
FUNDAMENTOS DE SISTEMAS EXPERTOS
Operación 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, así como acerca de la
secuencia en que ellos ocurren.
Elevada capacidad de procesamiento. Puede requerirse tiempos de
respuesta muy cortos, por ejemplo 100 mseg. en sistemas
aerodinámicos, 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 máximo predefinido.
Integración con componentes procedurales. El sistema experto en
tiempo real debe integrarse con software de tiempo real convencional.
20
FUNDAMENTOS DE SISTEMAS EXPERTOS
HERRAMIENTAS PARA SISTEMAS EXPERTOS EN TIEMPO REAL
G2 (www.gensym.com)
Desarrollado por Gensym Corp., se ha constituido en un estándar mundial.
Ofrece un ambiente gráfico orientado al objeto para crear aplicaciones
inteligentes relacionados con monitoreo, diagnóstico y control de eventos
dinámicos en línea.
Ofrece un lenguaje natural y estructurado para crear reglas, modelos y
procedimientos.
Incluye ejecución recursiva de reglas y procedimientos.
21
FUNDAMENTOS DE SISTEMAS EXPERTOS
APLICACIONES DE SISTEMAS EXPERTOS EN TIEMPO REAL
En medicina:
Intérprete de electroforesis
Análisis de EEG
Monitoreo respiratorio y anestésico
Monitoreo de recién nacidos
Monitoreo de pacientes con asistencia ventilatoria mecánica.
22
FUNDAMENTOS DE SISTEMAS EXPERTOS
En la industria aeroespacial:
Monitoreo predictivo y reconfiguración de sensores de navegación
Análisis de errores de telemetría
Control de órbita satelital
Apoyo a la navegación en le reingreso a la atmósfera
Evaluación de situaciones y manejo de emergencias
Planificación táctica y de rutas.
En comunicaciones:
Interpretación de reportes diarios de buques
Interpretación de comunicaciones de radio.
23
FUNDAMENTOS DE SISTEMAS EXPERTOS
SISTEMAS DE SUPERVISIÓN INTELIGENTE
Un sistema de supervisión inteligente realiza las siguientes tareas:
Analiza las variables adquiridas por los sensores
A partir de este análisis reconoce la situación operacional
La informa al operador, por ejemplo mediante alarmas
Realiza acciones necesarias para superar dicha situación, o bien
Realiza acciones para optimizar en algún sentido la operación.
Las diferentes funciones de un sistema de supervisión inteligente se basan
en heurísticas 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 supervisión inteligente integra funciones de
sistemas expertos con algoritmos numéricos.
24
FUNDAMENTOS DE SISTEMAS EXPERTOS
De acuerdo a la aplicación específica, existen diferentes variantes de sistemas
de supervisión inteligente:
Sistemas de ayuda a la operación
Sistemas de detección y diagnóstico de fallas de equipos, componentes o
instrumentos
Sistemas de detección y predicción de contingencias
Sistemas de procesamiento e interpretación de alarmas
Sistemas de puesta en marcha y parada de plantas
Sistemas de evaluación de seguridad
Sistemas de restauración de la operación
Sistemas de predicción de demanda (de energía, de agua)
Sistemas de planificación de operaciones
Sistemas de supervisión optimizante.
25
FUNDAMENTOS DE SISTEMAS EXPERTOS
Un sistema de supervisión inteligente 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
Ejercicio. Resuma las reglas que utiliza cuando conduce un vehículo.
26
FUNDAMENTOS DE SISTEMAS EXPERTOS
SISTEMAS EXPERTOS EN SISTEMAS ELÉCTRICOS
Alfa: Sistema de predicción de demanda eléctrica con un horizonte de 48
horas
Cealmon: Sistema de monitorización en tiempo real de una central nuclear
Toast: Sistema de apoyo a operadores en sistemas de energía
Sistemas de procesamiento inteligente de alarmas y control de
contingencias, desarrollados para Energy Management Systems por EPRI,
Electric Power Research Institute
Sistema experto para localización y diagnóstico de fallas, Taiwán Power Co.
Sistema experto distribuido para diagnóstico de fallas desarrollado para
Allegheny Power Systems.
27
FUNDAMENTOS DE SISTEMAS EXPERTOS
SISTEMAS EXPERTOS EN AUTOMATIZACION
Sistema experto para supervisión de la planta de purificación de agua de
Toyoiwa, Akita City
Sistema experto para el control de un alto horno en Kawasaki Steel
Company.
Sistema experto de apoyo a la operación de una planta de flotación de
minerales, Outokumpu
Control experto de una planta de molienda semiautógena, Dizon.
Sistema experto de apoyo a la supervisión de plantas de lixiaviación,
Canmet
28
SISTEMAS EXPERTOS PARA MI-FDI
PLANTEAMIENTO
MI: Monitorización Inteligente
FDI: Fault Detection and Identification
Las técnicas utilizadas para MI-FDI hacen uso de la siguiente información:
Los síntomas observados, tanto analíticos como heurísticos.
El conocimiento heurístico del proceso.
Las figuras siguientes muestran un esquema general utilizado en la
detección y diagnóstico de fallas.
29
SISTEMAS EXPERTOS PARA MI-FDI
30
SISTEMAS EXPERTOS PARA MI-FDI
31
SISTEMAS EXPERTOS PARA MI-FDI
Las propiedades o características distintivas (“features”) corresponden a valores
extraídos de la señal o modelo del proceso, que describen el estado del proceso
(parámetros, variables de estado, errores o residuos de la ecuación de paridad).
Los síntomas son variaciones inusuales de las características distintivas, respecto
a su valor normal o nominal. En ausencia de fallas, los síntomas son cero.
Los síntomas analíticos son el resultado de comparar con sus valores límites, las
señales medidas, o calculadas utilizados métodos basados en señales o modelos.
Los síntomas heurísticos son las observaciones del personal de operación, por
ejemplo ruido acústico, oscilaciones o impresiones ópticas, como color o textura.
Estos hechos empíricos se representan en forma de medidas cualitativas,
utilizando expresiones lingüísticas (“mucho”, “poco”, “grande”).
32
SISTEMAS EXPERTOS PARA MI-FDI
Como muestra la figura siguiente, las fallas se propagan dando origen a
síntomas siguiendo relaciones causa-efecto. Una falla origina eventos
intermedios, que luego influyen sobre los síntomas medibles u observables.
33
SISTEMAS EXPERTOS PARA MI-FDI
El diagnóstico de fallas se realiza siguiendo un recorrido inverso de la
causalidad.
Si no existe información sobre la relación falla-síntomas, se puede utilizar
métodos de clasificación.
Si las relaciones fallas-síntomas se expresan en la forma de reglas IF
…THEN…., entonces será posible aplicar métodos de razonamiento o de
inferencia.
34
SISTEMAS EXPERTOS PARA MI-FDI
ÁRBOL PARA FALLAS EN TRANSFORMADORES
35
SISTEMAS EXPERTOS PARA MI-FDI
SISTEMAS EXPERTOS Y DIAGNÓSTICO DE FALLAS
Los principales temas relacionados con el diagnóstico de fallas son:
La representación del conocimiento, analítico y heurístico.
La incorporación del conocimiento previo.
La caracterización de los síntomas típicos.
El tamaño y la representación de los datos.
Para representar el conocimiento analítico se utilizan leyes físicas, medidas
cuantitativas y observaciones.
36
SISTEMAS EXPERTOS PARA MI-FDI
El conocimiento heurístico corresponde al resultado de aprender
empleando métodos experimentales o de prueba y error. Se origina en la
experiencia de operadores e ingenieros. Este conocimiento se representa
mediante reglas, marcos, expresiones lógicas y grafos dirigidos (estructuras
de redes y árboles).
El conocimiento previo proviene ya sea de la experiencia o de la
comprensión física del proceso. Por ejemplo, es conocimiento previo la
influencia de las fallas sobre los parámetros físicos, o bien las relaciones
funcionales entre los parámetros físicos y los parámetros que se estiman.
Para caracterizar los síntomas puede utilizarse distribuciones estadísticas,
que representan cambios en los parámetros del modelo o desviaciones de
las salidas respecto a los valores nominales.
37
SISTEMAS EXPERTOS PARA MI-FDI
El tamaño de los datos debe permitir alcanzar una significancia estadística
suficiente, lo cual sin embargo dificulta su manejo.
Para representar los síntomas se utilizan diferentes tipos de datos:
Variables binarias
Variables multivaluada
Variables escaladas a intervalos.
También puede utilizarse variables difusas.
38
SISTEMAS EXPERTOS PARA MI-FDI
ÁRBOLES DE DECISIÓN
Una de las técnicas más utilizadas para clasificar datos, corresponde a los
árboles de decisión.
Este método, utilizado también para clasificar especies botánicas, consiste
en un conjunto de preguntas que deben responderse; dependiendo de la
respuesta se determina la siguiente pregunta, acotando el espacio de
soluciones posibles.
La figura siguiente muestra un ejemplo de aplicación de los árboles de
decisión.
39
SISTEMAS EXPERTOS PARA MI-FDI
40
SISTEMAS EXPERTOS PARA MI-FDI
DETECCIÓN DE FALLAS CON MÉTODOS DE INFERENCIA
En algunos procesos, las relaciones entre fallas y síntomas con conocidas en
forma de relaciones causales:
falla evento síntoma
41
SISTEMAS EXPERTOS PARA MI-FDI
Para el establecimiento de estas relaciones de causalidad se utilizan
métodos como:
Análisis de árboles de fallas, siguiendo la secuencia desde las fallas a los
síntomas, pasando por los eventos intermedios.
Análisis de árboles de eventos, siguiendo la secuencia desde los síntomas
a las fallas.
Para realizar el diagnóstico, el conocimiento cualitativo acerca de estas
relaciones de causalidad se expresa en la forma de reglas
IF <condición> THEN <conclusión>
42
SISTEMAS EXPERTOS PARA MI-FDI
La premisa contiene hechos asociados a los síntomas Si, mientras la
conclusión contiene hechos asociados a los eventos ek y a las fallas fj.
Por ejemplo:
IF < s1 AND s2 > THEN < e1 >
IF < s1 OR s2 > THEN < f1 >
43
SISTEMAS EXPERTOS PARA MI-FDI
ÁRBOLES DE FALLAS
Los árboles de fallas permiten visualizar gráficamente las relaciones
binarias entre síntomas y fallas.
44
SISTEMAS EXPERTOS PARA MI-FDI
Ejemplo. Detección de fallas asociadas a eventos discretos, en un sistema
bomba-válvula-filtro
45
SISTEMAS EXPERTOS PARA MI-FDI
46
SISTEMAS EXPERTOS PARA MI-FDI
47
SISTEMAS EXPERTOS
REFERENCIAS
Expert Systems
http://onlinelibrary.wiley.com/journal/10.1111/(ISSN)1468-0394
Expert Systems with Applications
www.sciencedirect.com/science/journal/09574174
IEEE Intelligent Systems Magazine
www.computer.org/web/computingnow/intelligentsystems
48
LÓGICA DIFUSA
CONCEPTO INTUITIVO
Los ejemplos siguientes precisan las diferencias entre la teoría de
conjuntos convencional y la teoría de conjuntos difusos.
49
LÓGICA DIFUSA
50
LÓGICA DIFUSA
Ejemplo. Controlador difuso de temperatura.
51
LÓGICA DIFUSA
FORMALIZACIÓN
Sea U un universo, F un conjunto difuso y μF una función de pertenencia
tal que
F : U 0,1
Entonces:
F u, F u : u U
También se utiliza la siguiente notación alternativa:
u, F u : F u / u
n
F F ui / ui
i 1 52
LÓGICA DIFUSA
Si U es contable o discreto:
F F u / u
uU
Si U es incontable o continuo:
F F u / u
U
Ejemplo
Sea U = {números naturales}. Entonces:
6 0.1 / 3, 0.3 / 4, 0.6 / 5, 1.0 / 6, 0.6/7, 0.3/8, 0.1/9
~
53
LÓGICA DIFUSA
Ejemplo
Sea U = {números reales}. Entonces:
u6
1 3u 9
F u 3
0
resto
54
LÓGICA DIFUSA
FUNCIONES DE PERTENENCIA ASOCIADAS A LA VARIABLE TEMPERATURA
55
LÓGICA DIFUSA
INTERSECCIÓN DIFUSA
La intersección de dos conjuntos difusos (operación “and”) tiene por
función de pertenencia:
AB x min A x , B x
56
LÓGICA DIFUSA
UNIÓN DIFUSA
La unión de dos conjuntos difusos (operación “or”) tiene por función de
pertenencia:
AUB
x max A x , B x
57
SISTEMAS EXPERTOS DIFUSOS
Variable lingüística
Una variable lingüística es una variable cuyos valores son palabras o frases en
un lenguaje natural.
Valores de edad: joven, muy joven, adulto, mayor, etc.
Valores de temperatura: helado, frío, caluroso, etc.
Proposición difusa
"El error tiene un valor negativo grande“
Representación simbólica: e is NB
e es una variable lingüística y NB es un conjunto difuso o valor lingüístico.
58
SISTEMAS EXPERTOS DIFUSOS
Reglas de producción difusas
IF <proposición difusa> THEN <proposición difusa>
Ejemplo de regla de producción difusa:
IF e is NB and e is PB THEN u is NS
e, e, u son variables lingüísticas; NB, PB, NS son conjuntos difusos.
Interpretación de una regla de producción difusa
IF x is A THEN y is B
A, B son conjuntos difusos.
59
SISTEMAS EXPERTOS DIFUSOS
PROPIEDADES DE UN CONJUNTO DE REGLAS
Considere el siguiente conjunto de 16 reglas, con la siguiente estructura:
IF e is NB and e is NS THEN u is PB
60
SISTEMAS EXPERTOS DIFUSOS
La función: u f (e, e)
se representa gráficamente por la figura siguiente.
61
SISTEMAS EXPERTOS DIFUSOS
Completitud. Un conjunto de reglas es completo si cualquier combinación
de valores de entrada produce un valor de salida. El conjunto del ejemplo
es incompleto.
Consistencia. Un conjunto de reglas es inconsistente si existen dos reglas
con igual antecedente, pero diferente consecuente.
Continuidad. Un conjunto de reglas es continuo si no existen reglas vecinas
con conjunto de reglas con interacción vacía. El conjunto del ejemplo es
discontinuo (ver 22 y 23).
62
SISTEMAS EXPERTOS DIFUSOS
Ejemplo de la interpretación de un conjunto de reglas difusas
63
SISTEMAS EXPERTOS DIFUSOS
Ejemplo de la interpretación de un conjunto de reglas difusas
64
SISTEMAS EXPERTOS DIFUSOS
Los elementos de un sistema experto difuso, o sistema difuso basado en
conocimiento (FKBS), son:
Módulos de Fuzzificación y Defuzzificación
Base de Conocimiento (Base de Datos y Base de Reglas)
Máquina de Inferencia.
En algunas situaciones se incluyen también módulos Módulos de
Normalización y Denormalización.
65
SISTEMAS EXPERTOS DIFUSOS
MÓDULOS DE NORMALIZACIÓN Y DENORMALIZACIÓN
El módulo de Normalización transforma los valores físicos de las entradas al
sistema control, en valores normalizados pertenecientes al inverso de
discurso; la transformación generalmente es lineal.
La Denormalización realiza una transformación inversa.
MÓDULO DE FUZZIFICACIÓN
Transforma el valor “crisp” de cada entrada en un conjunto difuso. Existen
dos estrategias de fuzzificación, asociadas a mecanismos de inferencia:
Inferencia basada en composición.
Inferencia basada en reglas individuales, que es la más utilizada.
66
SISTEMAS EXPERTOS DIFUSOS
MÓDULO DE INFERENCIA
El módulo de inferencia realiza dos tareas:
Combinar las entradas con las premisas de las reglas (“matching”) y
determinar que reglas están activas.
Extraer conclusiones a partir de las entradas y la base de reglas.
Para realizar la inferencia existen dos procedimientos alternativos:
Inferencia basada en reglas individuales
Inferencia basada en composición
67
SISTEMAS EXPERTOS DIFUSOS
Inferencia basada en reglas individuales, que consiste en determinar
primero el conjunto difuso resultado de la implicación para cada regla
(“implied fuzzy set”), para después obtener el conjunto difuso
correspondiente a todas las reglas.
Inferencia basada en composición, que consiste en aplicar el concepto de
relación para determinar directamente el conjunto difuso correspondiente
a todas las reglas (“overall implied fuzzy set”).
Si bien ambos procedimientos son equivalentes, la inferencia basada en
composición requiere mayor procesamiento y más memoria, por lo cual se
acostumbra a preferir la inferencia basada en reglas individuales.
68
SISTEMAS EXPERTOS DIFUSOS
MÓDULO DE DEFUZZIFICACIÓN
Transforma el conjunto de valores de salida de un sistema de control, en un
valor “crisp” de acuerdo a un método que tiene una gran influencia sobre el
comportamiento del controlador.
Existen diferentes métodos de defuzzificación:
Centro de Area o Centro de Gravedad (el más utilizado)
Centro de Sumas
Centro de Area Mayor
Primero de Máximos
Medio de Máximos
Altura
69
SISTEMAS EXPERTOS DIFUSOS
Para describir los diversos métodos consideraremos una base de reglas para el
controlador difuso definido por k=1,…m reglas de la forma:
IF x1 is LX 1(k ) and ... and xn is LX n(k ) THEN u is LU k
* * *
Al disparar estas k reglas con valores “crisp” x1 , x2 , ..., xn se obtienen
conjuntos difusos recortados ("clipped fuzzy sets"):
CLU 1 ,..., CLU m
Entonces, el conjunto difuso resultante es
U U CLU k
m
~
k 1
El módulo de defuzzificación determina el valor crisp (el valor que se transmite
al actuador en un controlador difuso):
u* función x1* , x2* ,... xn* 70
SISTEMAS EXPERTOS DIFUSOS
Centro de Área o Centro de Gravedad
71
SISTEMAS EXPERTOS DIFUSOS
Altura
El valor u* se calcula como la suma ponderada respecto a las alturas fk de CLU k
del valor peak ck de CLU k :
c k fk
u
* k 1
m
f
k 1
k
72
AMBIENTES PARA SISTEMAS DIFUSOS
Matlab Fuzzy Logic Toolbox
https://la.mathworks.com/products/fuzzy-logic.html
FUZZYTECH
http://www.fuzzytech.de/
Scilab Fuzzy Logic Toolbox
https://atoms.scilab.org/toolboxes/sciFLT/0.5
NEFCON
http://fuzzy.cs.uni-magdeburg.de/nefcon/nefcon.html
73
SISTEMAS EXPERTOS DIFUSOS EN MI-FDI
APLICACIÓN DE SISTEMAS EXPERTOS DIFUSOS A MI-FDI
La figura siguiente presenta un esquema básico de aplicación de sistemas
expertos difusos a detección y aislación de fallas.
El sistema experto difuso queda definido por las siguientes dimensiones:
El número ns de síntomas.
El número P de niveles.
El número N de reglas de cada nivel.
El número nf de fallas.
74
SISTEMAS EXPERTOS DIFUSOS EN MI-FDI
75
SISTEMAS EXPERTOS DIFUSOS EN MI-FDI
El sistema experto difuso reproduce una estructura de árbol fallas-síntomas,
en el que se utiliza una estructura de reglas con una estrategia de control
para el motor de inferencias basada en encadenamiento hacia delante
(“forward-chaining”).
De esta forma, los hechos se combinan (“matching”) con las premisas de las
reglas para deducir conclusiones basadas en consecuencias lógicas (Modus
ponens).
Las entradas son los síntomas si , i 1, n, s y las salidas son las fallas
F j , j 1, n f
En la implementación del sistema FDI basado en lógica difusa, los síntomas
se representan por conjuntos difusos ~ si0 , ~
si1, ~
si2 , ... con significados
linguísticos. A estos hechos se asocian factores de incerteza que
corresponden a las funciones de pertenencia (~sik ) .
76
SISTEMAS EXPERTOS DIFUSOS EN MI-FDI
El motor de inferencia del sistema experto difuso procesa reglas difusas IF-
THEN que corresponden a una relación de implicación difusa entre el los
conjuntos difusos de las premisas y los conjuntos difusos de las
conclusiones.
Para la evaluación de la conclusión resultante se hace uso de la
composición max-min. La defuzzificación se reemplaza por lo general por la
operación máximo.
La figura siguiente muestra una estructura simplificada basada en lógica
difusa, en el cual se reemplaza la consecuencia por un valor singleton, lo
cual hace innecesario recurrir a funciones de pertenencia para las salidas;
también se elimina la defuzzificación.
77
SISTEMAS EXPERTOS DIFUSOS EN MI-FDI
78
SISTEMAS EXPERTOS DIFUSOS EN MI-FDI
Ejemplo: Razonamiento difuso cualitativo utilizando matching de tendencias.
79
SISTEMAS EXPERTOS DIFUSOS EN MI-FDI
REFERENCIAS
Dash S., Rengaswamy R., Venkatasubramianian V. (2003). Fuzzy-logic
based trend classification for fault diagnosis of chemical processes.
Computers and Chemical Engineering, Vol. 27, Nº 347-362.
Marwala T. (2012). Condition Monitoring using Computational
Intelligence Methods. Applications in Mechanical and Electrical
Systems. Springer.
Patton R. J., Lopez-Toribio C. J., Simani S. (2001). Robust fault diagnosis
in a chemical process using multiple-model approach. Proceedings of
the 40th IEEE Conference on Decision & Control, Orlando, Florida, pp.
149-154.
80
DIPLOMADO EN GESTIÓN DE
ACTIVOS & MANTENIMIENTO 2022 V2
PROFUNDIZACIÓN EN GESTIÓN DE ACTIVOS
MONITORIZACIÓN REMOTA E INTELIGENTE DE SIGNOS VITALES
Módulo 4: Sistemas Expertos y Lógica Difusa
Noviembre 2022
