Un Enfoque Aplicado del Control Inteligente

M. Santos

doi:10.1016/j.riai.2011.09.016

Autores/as

M. Santos Universidad Complutense de Madrid

DOI:

https://doi.org/10.1016/j.riai.2011.09.016

Palabras clave:

Control inteligente, Inteligencia artificial, Aplicaciones, Sistemas reales

Resumen

El objetivo de este artículo es presentar una panorámica de soluciones a problemas de control reales utilizando enfoques de control inteligente. No se trata de presentar técnicas y procedimientos de la inteligencia artificial, sino más bien, una recopilación de aplicaciones de control, de una cierta complejidad, en los que estas técnicas se manifiestan como adecuadas y que, en muchos casos, son complementarias de técnicas clásicas de diseño de sistemas de control. Las aplicaciones que se exponen han sido desarrolladas por miembros del Grupo de Investigación ISCAR (Ingeniería de Sistemas, Control, Automatización y Robótica) de la Universidad Complutense de Madrid. Todas ellas responden a problemáticas reales donde el control ha jugado un papel importante para la eficiencia y el buen funcionamiento de los procesos.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

M. Santos, Universidad Complutense de Madrid

Departamento de Arquitectura de Computadores y Automática, Facultad de Informática

Citas

Albertos P., Sala A. 2004. El control borroso: una metodología integradora. RIAI, 1, 2, 22-31.

Alonso Zotes F., M. Santos, 2011. Modelado, simulación y control de satélites situados en los puntos de Lagrange del sistema Tierra-Luna. RIAI, 8, 204-215.

Antsaklis, P.J. 1994. Defining intelligent control, IEEE Control Systems, June, 4.

Antsaklis, P.J. 1995. Intelligent learning control, IEEE Control Systems, 15 (3), pp. 5-7.

Béjar M., A. Ollero. 2008. Modelado y control de helicópteros autónomos. Revisión del estado de la técnica. RIAI, 5, 4, 5-16.

Burgos-Artizzu, X.P., A. Ribeiro, M. Santos. 2007. Controlador borroso multivariable para el ajuste de tratamientos en agricultura de precisión. RIAI, 4, 2, 64-71.

Dorato P. 1996. Control History from 1960. Preprints vol. G, 13th World Congress of IFAC, San Francisco, CA, USA.

Farias G., Santos M., López V. 2010. Making decisions on brain tumour diagnosis by soft computing techniques. Soft Computing, 14, 1287- 1296.

Fernández Villaverde A., M. Santos. 2006. Control de una grúa pórtico mediante redes neuronales. Actas XXVII Jornadas de Automática, 1006-1011.

Galán R., Jiménez A., Sanz R., Matía F., 2000. Control Inteligente, Revista Iberoamericana de Inteligencia Artificial, 4, 10, 43-48.

ISCAR 2011 (Ingeniería de Sistemas, Control, Automatización y Robótica), www.dacya.ucm.es/area-isa

López, R., M. Santos, J. Aranda, S. Esteban. 2002a. Neuro-Fuzzy modelling of a fast ferry vertical motion. 15th IFAC World Congress.

López, R. M. Santos, O. R. Polo, S. Esteban, 2002b. Experimenting a fuzzy controller on a fast ferry, IEEE CCA, 2, 1082-1086.

López, R., M. Santos. 2002c. Neuro-Fuzzy system to control the fast ferry vertical acceleration. 15th IFAC World Congress.

Marichal G. N., González E. J., Acosta L., Toledo J. 2007. Aproximación Neuro-Fuzzy para Identificación de Señales Viales Mediante Tecnología Infrarroja, RIAI, 4, 2, 26-31.

Martín-H J.A., de Lope J., Santos M. 2009. A Method to Learn the Inverse Kinematics of Multi-link Robots by Evolving Neuro-Controllers. Neurocomputing, 72, 13, 2806-2814.

O’Hanlon, J. F., McCawley, M. E. 1974. Motion sickness incidence as a function of acceleration of vertical sinusoidal motion. Aerospace Medicine, 45, 4, 366–369.

Passino, K.M. 1993. Bridging a gap between conventional and intelligent control, IEEE Control Systems, June.

RayChauduri, T., L.G.C. Hamey, R.D. Bell, 1996. From conventional control to autonomous intelligent methods. IEEE Control Systems, October, 78-84.

Sala A., Ariño C.V. 2009. Reduciendo distancias entre el control borroso y el control no lineal: luces y sombras, RIAI, 6, 2, 26-35.

Santos M., Dormido S., de la Cruz J.M. 1996. Derivative action in PIDFuzzy controllers. Cybernetics and Systems, 27, 5, 413-424.

Santos, M., J. Brandizzi, A.L. Dexter. 2000. Control of a Cryogenic Process using a Fuzzy PID Scheduler. IFAC Workshop on Digital Control. Past, present and future of PID Control, 401-405.

Santos M., Cantos A.J. 2010, Classification of plasma signals by genetic algorithms, Fusion Science and Technology, 58, 706-713.

Santos M., A.L. Dexter. 2001. Temperature control in a liquid helium cryostat using a self-learning neurofuzzy controller, IET Proc.-Control Theory Appl. 148, 3, 233-238.

Santos M., A.L. Dexter. 2002. Control of a cryogenic process using a Fuzzy PID Scheduler. Control Engineering Practice, 10, 1147-1152.

Santos, M., R. López, J.M. de la Cruz, 2003. Amplitude, phase and frequency fuzzy controllers of a fast ferry vertical motion. Proc. ECC’03.

Santos, M., R. López, J.M. de la Cruz. 2005a. Fuzzy Control of the vertical acceleration of fast ferries. Control Engineering Practice. 13/3. 305-313.

Santos, M., R. López, J.M. de la Cruz, 2005b. Modelo Predictivo NeuroBorroso de la Aceleración de Cabeceo de un buque de alta velocidad. RIAI, 2, 3, 39-47.

Santos, M., R. López, J.M. de la Cruz, 2006. A Neuro-Fuzzy Approach to Fast Ferry Vertical Motion Modelling. Engineering Application of Artificial Intelligence, 19, 313-321.

Sanz, R., A. Jiménez, R. Galán y E. A. Puente, 1991. Introducción al control inteligente de procesos, Informática y Automática, vol. 24-1.

Valverde R., Gachet D. 2007. Identificación de Sistemas Dinámicos Utilizando Redes Neuronales RBF, RIAI, 4, 2, 32-42.

Villagrá J., Milanés V., Pérez J., de Pedro T. 2010. Control Basado en PID Inteligentes: Aplicación al Control Robusto de Velocidad en Entornos Urbanos, RIAI, 7, 4, 44-52.

Werbos P.J. 2009. Intelligence in the brain: A theory of how it works and how to build it. Neural Networks, 22, 3, 200-212.

Yi-Bo L., Li Zhen, Zhang Xiao-Dong, 2011. Status and trends of unmanned aerial vehicle flight control techniques. Flight Dynamics

Zadeh, L.A. 1965. Fuzzy sets, Information and Control, 8, 338-352.