Diagnostico y Decisión Sistemas de Supervision

1. Universidad de Oriente
Nucleo Monagas
Ingenieria de Sistemas
Cursos Especiales de Grado
Automatizacion y Control de Procesos Industriales
Herramientas de Soporte: Inteligencia Artificial
Seminario: Estrategias Para La Automatización Industrial
Profesora: EQUIPO SCM
Judith Devia. Fernández Norvelis. C.I: 18.462.758
Fernández David. C.I: 14.424.461
Maturín, Abril 2014
DIAGNOSTICO Y DECISION
SISTEMAS DE SUPERVISION

2. INDICE
Contenido
INTRODUCCION.............................................................................................................................. 3
SISTEMA EXPERTO (SE).............................................................................................................. 4
Estructura básica de un SE ........................................................................................................ 4
Ventajas de un SE........................................................................................................................ 5
Limitaciones de un SE................................................................................................................. 5
SE basados en reglas.................................................................................................................. 5
APRENDIZAJE. REDES NEURONALES..................................................................................... 6
EL RAZONAMIENTO BASADO EN CASOS ............................................................................... 7
El ciclo del razonamiento basado en casos............................................................................. 8
DISCUSION..................................................................................................................................... 10
CONCLUSIONES........................................................................................................................... 15
BIBLIOGRAFIAS ............................................................................................................................ 16

3. INTRODUCCION
Los sistemas de supervisión conllevan a una serie de procedimientos y
técnicas que permitirán detectar los posibles fallos que se puedan presentar en
algún proceso. Por ello se han perfeccionado algunas herramientas de soporte
enfocadas en IA que ofrecerán una ventana para diagnosticarlos y ayudaran en la
toma de decisión con respecto a las acciones necesarias para restablecer el
funcionamiento normal del proceso o para minimizar en lo posible los efectos de
los fallos.

4. SISTEMA EXPERTO (SE)
Es una aplicación informática capaz de solucionar un conjunto de
problemas que exigen un gran conocimiento sobre un determinado tema. Un
sistema experto es un conjunto de programas que, sobre una base de
conocimientos, posee información de uno o más expertos en un área específica.
Se puede entender como una rama de la inteligencia artificial, donde el poder de
resolución de un problema en un programa de computadora viene del
conocimiento de un dominio específico. Estos sistemas imitan las actividades de
un humano para resolver problemas de distinta índole (no necesariamente tiene
que ser de inteligencia artificial). También se dice que un Sistema Experto se basa
en el conocimiento declarativo (hechos sobre objetos, situaciones) y el
conocimiento de control (información sobre el seguimiento de una acción).
Para que un sistema experto sea herramienta efectiva, los usuarios deben
interactuar de una forma fácil, reuniendo dos capacidades para poder cumplirlo:
 Explicar sus razonamientos o base del conocimiento: los sistemas expertos
se deben realizar siguiendo ciertas reglas o pasos comprensibles de
manera que se pueda generar la explicación para cada una de estas reglas,
que a la vez se basan en hechos.
 Adquisición de nuevos conocimientos o integrador del sistema: son
mecanismos de razonamiento que sirven para modificar los conocimientos
anteriores. Sobre la base de lo anterior se puede decir que los sistemas
expertos son el producto de investigaciones en el campo de la inteligencia
artificial ya que ésta no intenta sustituir a los expertos humanos, sino que se
desea ayudarlos a realizar con más rapidez y eficacia todas las tareas que
realiza.
Estructura básica de un SE
Un Sistema Experto está conformado por:
 Especialistas Humanos
 Ingenieros en Conocimientos.
 Base de conocimientos (BC): Contiene conocimiento modelado extraído del
diálogo con un experto.
 Base de hechos (Memoria de trabajo): contiene los hechos sobre un
problema que se ha descubierto durante el análisis.
 Motor de inferencia: Modela el proceso de razonamiento humano.
 Módulos de justificación: Explica el razonamiento utilizado por el sistema
para llegar a una determinada conclusión.
 Interfaz de usuario: es la interacción entre el SE y el usuario, y se realiza
mediante el lenguaje natural.

5. Ventajas de un SE
 Permanencia: A diferencia de un experto humano un SE (sistema experto)
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.
 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.).
 Consolidar varios conocimientos.
 Apoyo Académico.
Limitaciones de un SE
 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.
 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.
SE basados en reglas
Los sistemas expertos basados en reglas utilizan para el proceso de
inferencia un conjunto de reglas que constituyen la base de conocimiento del
experto. Este conjunto de reglas pueden ser activadas a medida que las
condiciones son evaluadas positivamente y su utilización implica la creación de
nuevos hechos. Este proceso permitirá a partir de unos hechos iniciales
desarrollar un proceso deductivo que concluirá el momento en que no quede
ninguna otra regla por utilizar.

6. Para realizar este tipo de tratamiento es posible hacerlo de dos maneras
diferentes, por un lado realizarlo desde las evidencias hasta los objetivos o por
otro lado en orden inverso que sería comenzar desde el objetivo hasta llegar al
conjunto de evidencias que lo han provocado.
Motor de inferencia: Es el mecanismo usado para extraer el conocimiento de la
base de conocimientos, para alcanzar una solución o conclusión determinada.
La máquina de inferencias es la porción del sistema experto que razona
utilizando el contenido de la base del conocimiento en una secuencia determinada.
Durante la consulta, la máquina de inferencias examina las reglas de la
base del conocimiento una por una, y cuando se cumple la condición de la regla,
se realiza la acción especificada. En la terminología de los sistemas experto, la
regla se extiende cuando se efectúa la acción.
Se han ideado dos métodos principales que la máquina de inferencias usa
al examinar las reglas: prorazonamiento y razonamiento inverso.
Prorazonamiento
En el prorazonamiento, también llamado encadenamiento hacia delante, las
reglas se examinan una tras otra en cierto orden. El orden podría ser la secuencia
en que las reglas se introdujeron en el conjunto de reglas, o podrá ser alguna otra
secuencia especificada por el usuario.
Razonamiento Inverso
En el razonamiento inverso, también llamado encadenamiento hacia atrás,
la máquina de inferencia selecciona una regla y la considera como un problema a
resolver. Pero luego se da cuenta, que para resolverla debe primero resolver las
anteriores las cuales se constituyen en subproblemas.
APRENDIZAJE. REDES NEURONALES
Las redes neuronales artificiales pueden definirse como sistemas de
computación constituidos por un gran número de elementos de proceso simples y
muy interconectados. La información se procesa como respuesta a entradas
externas teniendo en consideración el estado interno de los elementos.
Debido a su constitución y sus fundamentos las redes neuronales ofrecen
numerosas ventajas, que incluyen aprendizaje adaptativo, auto-organización,
tolerancia a fallos y operación en tiempo real.
Entre las aplicaciones a la supervisión de procesos podemos destacar:
filtrado de señales, reconocimiento de patrones, búsqueda en bases de datos,
segmentación, compresión y fusión de datos y toma de decisiones. La utilización

7. de redes neuronales en supervisión conlleva en muchas ocasiones la integración
con otros tipos de herramientas.
El elemento básico de una red neuronal, la neurona artificial, Uj, puede
describirse de forma simple mediante un conjunto de funciones:
 Regla de propagación: una neurona Uj recibe entradas de otros
elementos de la red o del exterior. Cada una de estas entradas es
ponderada por un peso, de forma que la entrada neta de una
neurona se puede escribir como el producto escalar del vector de
entradas por el vector de pesos.
 Función o regla de activación: Produce un nuevo estado de
activación a partir del estado anterior y la combinación de las
entradas con los pesos de las conexiones.
 Función de salida o transferencia: Transforma el estado actual de
activación en una señal de salida.
Una red neuronal se compone entonces de elementos básicos
interconectados y estructurados en varias capas, entre ellas la de entrada y la de
salida.
El aprendizaje en una red neuronal se realiza mediante la modificación del
vector de pesos de cada neurona, reforzando o disminuyendo la influencia de
unos elementos sobre los demás. La modificación de los pesos se hace mediante
un proceso de entrenamiento a partir de ejemplos en que se relacionan entradas
conocidas con las salidas deseadas.
EL RAZONAMIENTO BASADO EN CASOS
Es el proceso de solucionar nuevos problemas basándose en las soluciones
de problemas anteriores. Un mecánico de automóviles que repara un motor
porque recordó que otro auto presentaba los mismos síntomas está usando
razonamiento basado en casos. Un abogado que apela a precedentes legales
para defender alguna causa está usando razonamiento basado en casos. También
un ingeniero cuando copia elementos de la naturaleza, está tratando a esta como
una “base de datos de soluciones”. El Razonamiento basado en casos es una
manera de razonar haciendo analogías. Se ha argumentado que el razonamiento
basado en casos no sólo es un método poderoso para el razonamiento de
computadoras, sino que es usado por las personas para solucionar problemas
cotidianos. Más radicalmente se ha sostenido que todo razonamiento es basado
en casos porque está basado en la experiencia previa.

8. El ciclo del razonamiento basado en casos
En el proceso de dividir el razonamiento basado en casos en diferentes
subprocesos encontramos el ciclo que lo conforma el cual es dividido en 4
procesos claramente diferenciados:
 RECORDAR los casos similares al que analizamos.
 REUTILIZAR la información y el conocimiento que tenemos en este caso
para resolver el problema.
 REVISAR la solución propuesta.
 RETENER las partes de esta experiencia que nos puedan ser útiles para la
resolución de futuros problemas.
Cuando nos encontramos delante de un nuevo problema para el cual tenemos
que dar una solución lo que primero que tenemos que hacer es dado ese
determinado problema recordar los casos relevantes que pueden solucionarlo.
Estos casos relevantes tendrán que ser una selección de aquellos casos de los
que disponemos en la base de conocimiento del sistema experto.
Una vez tenemos este conjunto de casos que guardan una serie de similitudes
con el caso para el cual tenemos que proponer una solución lo que tenemos que
hacer es adaptar la solución de todos esos problemas, en su globalidad o
solamente en alguna de sus partes que nos interese para transformar el contexto
de esos problemas en el problema que tenemos actualmente. Con todo esto
tendríamos una primera versión de la solución. Aun así es necesario probar la
solución en el mundo real o en una simulación y si es necesario revisarla. Con
esto lo que se quiere decir es que este es un proceso circular en el que reutiliza
diversos casos de la base de conocimiento, se revisa la solución y si no es
satisfactoria se vuelve a modificar con la inclusión o la eliminación de los casos
que fuesen incorrectos o añadiendo aquellos que faltasen para perfeccionar la
solución. Finalmente el último paso es la retención. Después de que la solución
haya sido adaptada satisfactoriamente para solucionar el problema dado,
almacenaríamos la experiencia resultante como un nuevo caso en la memoria.
Recordemos que uno de los intereses del razonamiento basado en casos residen
no sólo en recordar los casos resultantes que hayan sido acierto sino aquellos en
que se ha fallado ya que con estos podremos mejorar el razonamiento del sistema
experto ya que cuando se tenga que llevar a cabo un tipo de razonamiento similar
se sabrá que no se tiene que seguir esa línea de razonamiento ya que lleva a un
resultado incorrecto.
Reconfiguración y Soporte al Usuario
El último paso de la supervisión es la determinación de las acciones
necesarias para restablecer el funcionamiento normal del proceso o para

9. minimizar en lo posible el efecto de los fallos. Esta fase puede llamarse de
Reconfiguración y constituye el último paso para cerrar el lazo de supervisión.
En este aspecto, en la mayoría de los casos los sistemas de supervisión no
actúan directamente sobre el proceso sino que se limitan a indicar o proponer
acciones que después son llevadas a cabo (o no) por los operarios o los
ingenieros del proceso. La supervisión juega, entonces, un papel de soporte al
usuario (en este caso el ingeniero de proceso), sobre el que finalmente recae la
responsabilidad.
La reconfiguración del proceso o determinación de las acciones correctoras
se basan normalmente en la experiencia, en los conocimientos adquiridos sobre el
funcionamiento del proceso o sobre la estructura del mismo. En este sentido, las
herramientas de la inteligencia artificial anteriormente descritas pueden ser
utilizadas en esta etapa de decisión igualmente que en la etapa de diagnóstico. De
la misma forma que podemos deducir el origen de los fallos a partir de los
síntomas o residuos, también podemos deducir las acciones correctoras a partir
de los fallos diagnosticados.

10. DISCUSION
SISTEMAS EXPERTOS
A grandes rasgos puede decirse que un sistema experto sirve para codificar
el conocimiento humano en términos de experiencia, razonamiento aproximado,
imprecisión, analogía, razonamiento por defecto, aprendizaje etc.
Específicamente, se 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.
En resumen puede decirse que un sistema experto contiene un motor de
inferencia y una base de conocimiento la cual se compone de una base de
reglas y una base de hechos.
Fig. 1 Sistema Experto
Una Base de Reglas es un conjunto de reglas del tipo:
IF [sucede_algo] THEN [decide/concluye_algo] CERTAINTY [valoración]
La relación IF - THEN de la regla, es decir [sucede_algo], se llama premisa de la
regla o bien precedente. La parte THEN - CERTAINTY, es decir
[decide/concluye_algo], se llama conclusión de la regla. La CERTAINTY,
[valoración], significa la seguridad con que el experto de procesos/control (operario
o ingeniero) hace esta afirmación que se convirtió en una regla del SE.
Una base de hechos es el conjunto de evidencias junto con sus certezas
asociadas. Por ejemplo, una variable medida, un hecho como “Hoy llueve” o
“Posible ALARMA708, con certeza 30%” o una conclusión de una o varias reglas
como “Diagnóstico: PROBLEMAS CON LA VALVULA 12, con certeza 90%”

11. El Motor de Inferencia se encarga de recorrer las reglas inspeccionando si las
puede aplicar. Es decir, se encarga de ejecutar el razonamiento. El razonamiento
consiste en aplicar una base de reglas a una base de hechos para obtener nuevas
conclusiones.
Fig. 2 Motor de Inferencia
A medida que se van aplicando las reglas se deducen nuevos hechos que
se añaden a la base de hechos. Hay dos tipos básicos de motores 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 o disparar 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 disparar.
 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.
La utilización de estas técnicas en la industria consta con varias aplicaciones de
probada eficacia.
APRENDIZAJE. REDES NEURONALES
En las Redes Neuronales Artificiales, ANN, la unidad análoga a la neurona
biológica es el elemento procesador, PE (process element). Un elemento
procesador 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 elemento procesador.
La salida del PE se puede conectar a las entradas de otras neuronas
artificiales (PE) mediante conexiones ponderadas correspondientes a la eficacia
de la sinapsis de las conexiones neuronales.

12. La Figura 3 representa un elemento procesador de una red neuronal
artificial implementada en un ordenador.
Fig. 3 Diagrama de una Neurona Artificial (PE)
Una red neuronal consiste en un conjunto de unidades elementales PE
conectadas de una forma concreta. El interés de las ANN no reside sólamente 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.
Una red típica consiste en una secuencia de capas con conexiones entre
capas adyacentes consecutivas.
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. La Figura 4 muestra el aspecto de una
Red Neuronal Artificial.
Fig. 4 Arquitectura de una red neuronal simple
RAZONAMIENTO BASADO EN CASOS
El razonamiento basado en casos (CBR, Case Based Reasoning)
constituye un enfoque para reutilizar el conocimiento existente para resolver
nuevos problemas. En muchos problemas complejos existen soluciones obtenidas

13. 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. El conocimiento no puede ser fácilmente codificado, por ejemplo,
en forma de conjunto de reglas. En estos casos uno de los enfoques más
prometedores consiste en la aplicación del conocimiento ya existente sobre
nuevos casos (problemas) similares para resolverlos, quizás después de los
ajustes o modificaciones necesarios. Éste también es el caso de la 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.
Fig. 5 Ciclo Básico en CBR
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. En general, se dice que el CBR comprende las siguientes cuatro
actividades RE:
 REcuperación (Retrieve) del caso (o casos) más similar(es).
 REutilización (Reuse) de casos como soluciones potenciales para resolver
el problema.
 REvisión (Revise) de la solución propuesta.
 REtención (Retain) de la solución obtenida (después de su comprobación)
en la base de conocimiento para su posterior utilización.
El ciclo básico en CBR puede ilustrarse con la Fig. 5, en la que se observa la
aplicación de dichas fases en la resolución de un problema.

14. RECONFIGURACIÓN Y SOPORTE AL USUARIO
Determinación de las acciones necesarias para restablecer el
funcionamiento normal del proceso o para minimizar en lo posible el efecto de los
fallos. Se puede decir que la reconfiguración es el último paso para cerrar el lazo
de supervisión de la supervisión.
En cualquier caso, se trata de reconducir el proceso desde un estado
anormal (de fallo) al estado normal con el mínimo coste posible. Desde este punto
de vista el proceso supervisado, aunque continuo, puede ser estudiado de forma
más general como un sistema de eventos discretos, descrito mediante estados y
transiciones, en los que cada estado representa una situación (normal o alguna de
las posibles situaciones de fallo) del proceso.

15. CONCLUSIONES
Como conclusión se deduce que este tipo de herramientas de soporte para
poder ser aplicados a un sistema de supervisión en la industria se debe
implementar por lo general asociadas con otros tipos de aplicaciones para que
pueda tener una mejor eficacia.
Lo que sí está muy claro es que el diagnostico en la supervisión juega un
papel muy importante debido a que es el que nos llevara a detectar cualquier falla
que se pueda convertir en un problema mayor en el futuro y que perjudicara los
procesos.

16. BIBLIOGRAFIAS
1. Stuart Russell y Peter Norving, "Inteligencia Artificial, Un enfoque Moderno",
53500 Naucalpan de Juárez Estado de México, Editorial Prentice Hall
Hispanoamericana, S. A.
2. Razonamiento basado en casos. Disponible en:
http://es.wikipedia.org/wiki/Razonamiento_basado_en_casos. (Consultado
el 29 de Marzo de 2014)
3. Sistema Experto. Disponible en:
http://es.wikipedia.org/wiki/Sistema_experto. (Consultado el 29 de Marzo de
2014)
4. Sistemas Expertos. Disponible en:
http://sistemasexpertosfer.blogspot.com/2012/03/motor-de-inferencia.html.
(Consultado el 29 de Marzo de 2014)
5. 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/conte
nidos/pdf/libro-del-curso.pdf