E95055

INSTITUTO TECNOLÓGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY

E95055. Control Inteligente

Departamento académico:Departamento de Ingeniería Eléctrica y Electrónica
Unidades:3-0-8
Requisito:
Semestre y carrera:
Equivalencia:ninguna
Objetivo general de la materia:Aplicar metodologías de control y modelado, motivadas en el razonamiento y conocimiento humano así como procesos biológicos para realizar el diseño de controladores para sistemas dinámicos, para lo que se aplicaran principios básicos y avanzados de lógica difusa, redes neuronales y algoritmos genéticos.
La lógica difusa es una metodología de representación del conocimiento humano a través de reglas lingüísticas, mientras que las redes neuronales artificiales presentan características de aprendizaje y adaptación, y los algoritmos genéticos proporcionan características de optimización basadas en la selección natural.
De la misma forma se discutirán casos de controladores basados en control inteligente que existen en la industria, y se realizara una comparación de sus resultados contra los resultados de controladores convencionales.

Temas y subtemas del curso:1. Introducción control inteligente.
1.1 Motivación control inteligente.
1.2 Principios generales de control inteligente y aplicaciones generales.
1.3 Herramientas de software para el diseño de control inteligente.
1.4 Herramientas de hardware para el diseño de control inteligente.
2. Conceptos Básicos de Control Difuso.
2.1 Conjuntos difusos.
2.2 Representación de conjuntos difusos.
2.3 Operaciones con conjuntos difusos.
2.4 Relaciones difusas.
3. Diseño Controlador Difuso.
3.1 Selección de entradas y salidas del controlador.
3.2 Conocimiento a través de reglas lingüísticas.
3.3 Cuantificación difusa
3.4 Métodos de Inferencia
3.5 Convertir decisión en acción
3.6 Métodos para Defusificación
4. Ejemplos de Diseño Controlador Difuso.
4.1 Péndulo Invertido
4.2 Motor Corriente Directa.
4.3 Regadera , Cámara fotográfica, Horno de microondas y Lavadora de ropa.
4.4 Sintonizar a través de el universo de discurso.
4.5 Sintonizar a través de las funciones de membresia.
5. Ejemplos de Identificación y Estimación
5.1 Ajuste de funciones (Mínimos cuadrados)
5.2 Empleo de mínimos cuadrados para el ajuste de sistemas difusos
5.3 Sintonización de sistemas difusos empleando mínimos cuadrados recursivos.
5.4 Ejemplos de Identificación y Estimación.
6. Principios de Redes Neuronales Artificiales.
6.1 Motivación Redes Neuronales Artificiales
6.2 Neurona Biológica
6.3 Neurona Artificial
6.4 Redes Multicapas
6.5 Métodos principales de entrenamiento
7 .Diseño de controladores basados en Redes Neuronales artificiales.
7.1 Control en lazo cerrado
7.2 Control en lazo abierto
7.3 Diseño de controladores basados en redes neuronales
7.4 Identificación de sistemas usando redes neuronales
8. Algoritmos genéticos .
8.1Principios Básicos
8.2 Ejemplos de algoritmos genéticos

Objetivos específicos de aprendizaje:1. Introducción control inteligente.
Objetivo- conocer de manera general los principios y aplicaciones de inteligencia artificial,
así como las herramientas que se utilizan para diseño y generación de prototipos.
2. Conceptos Básicos de Control Difuso.
Objetivo- conocer las bases de la lógica difusa, que son el principio para la generación de
controladores difusos.
3. Diseño Controlador Difuso.
Objetivo- Diseñar un controlador difuso y conocer de manera detallada cada una de las
partes que lo comprenden.
4. Ejemplos de Diseño Controlador Difuso.
Objetivo- Diseñar controladores difusos para diferentes sistemas.
sia.
5. Ejemplos de Identificación y Estimación
Objetivo- Sintonizar controladores difusos, así como la identificación de sistemas
utilizando lógica difusa.
6. Principios de Redes Neuronales Artificiales.
Objetivo- conocer de manera general los principios y aplicaciones de las redes neuronales
basadas en un sistema biológico.
7. Diseño de controladores basados en Redes Neuronales artificiales.
Objetivo- Diseñar controladores basados en redes neuronales artificiales, en lazo abierto y
lazo cerrado, identificación de sistemas.
8. Algoritmos genéticos .
Objetivo- conocer de manera general los principios y aplicaciones de los algoritmos
genéticos.

Metodología de enseñanza:ñanza
Tiempo estimado de cada tema: Tema Tiempo

Tema 1 4 horas

Tema 2 5 horas

Tema 3 7 horas

Tema 4 7 horas

Tema 5 6 horas

Tema 6 8 horas

Tema 7 7 horas

Exámenes
y presentación 4 horas

Políticas de evaluacion sugeridas:Esta materia es teórico practica, la forma de evaluación es a través del desarrollo de un proyecto final (por equipo de 3 a 4 personas máximo), la autorización del proyecto recae sobre el profesor.
El proyecto tiene que ser de control inteligente y utilizar más de 10 temas del curso.

Los exámenes parciales son acerca de los temas presentados en clase y el avances del proyecto (en formato IEEE).

Se tiene que asistir por lo menos al 80% de las clases, se cuenta con 5 minutos de tolerancia para entrar a la clase después se considera como falta.
Se realiza al final del curso una presentación del proyecto y se entrega el reporte final.
Existirán preguntas de manera individual durante los avances parciales y final, que se toman en cuenta para la calificación, el profesor establece las preguntas y el porcentaje, para cada proyecto en particular.

La forma de presentar avances y proyecto final es en formato IEEE (revisar biblioteca digital).

Examen parcial (I,II,III) 40%
Avances parciales (I,II,III) 40%
Presentación y reporte final 20%

Libro de texto1:Libro de Texto 1*
A First Course in Fuzzy and Neural Control
by Hung T. Nguyen, Nadipuram R. Prasad, Carol L. Walker, Ebert A. Walker

Libro de texto2:Libro de Texto 2

Libro de texto3:Libro de Texto 3

Libro de consulta: 1. www.mathworks.com
2. www. neurolab.com
3. Intelligent Control Systems Using Soft Computing Methodologies
by Ali Zilouchian , Mohammad Jamshidi
4. Fuzzy Logic and Control: Software and Hardware Applications, Vol. 2
by Mohammad Jamshidi,
5. Robust Control Systems with Genetic Algorithms
by Mohammad Jamshidi
6. Soft Computing: Fuzzy Logic, Neural Networks, and Distributed Artificial Intelligence
(Prentice Hall Series on Environmental and Intelligent Manufac)
by Fred Aminzadeh , Mohammad Jamshidi
7. A First Course in Fuzzy Logic, Second Edition
by Hung T. Nguyen, Elbert A. Walker
8. Fuzzy Thinking: The New Science of Fuzzy Logic
by Bart Kosko
9. Introduction to Fuzzy Sets, Fuzzy Logic, and Fuzzy Control Systems
by Trung Tat Pham, Guanrong Chen
10. Fuzzy Automata and Languages: Theory and Application
by Davender S. Malik, John N. Mordeson
11. Understanding 99% of Artificial Neural Networks : Introduction & Tricks
by Marcelo Bosque
12. Fundamentals of Neural Networks
by Laurene V. Fausett
13. Learning Bayesian Networks
by Richard E. Neapolitan
14. An Introduction to Intelligent and Autonomous Control
by Panos J & Kevin Passino.
15. Neural Networks for Modelling and Control of Dynamic Systems: A Practitioner's Handbook
by Magnus Nrgaard, O. Ravn, N. K. Poulsen, Peter M. Norgaard, Lars K. Hansen
16. Artículos Científicos.
\0Material de apoyo:NO OBLIGATORIO

Perfil del Profesor:Profesor con Doctorado, en ingeniería eléctrica, electrónica o mecánica que este involucrado en el desarrollo de controladores basados en inteligencia artificial, así como tener diseños propios de sistemas que utilicen inteligencia artificial.

Fecha de la última actualización: 09 de febrero de 2004.(M)