• Las herramientas de inteligencia artificial pueden ayudar a los sistemas de sensores

Default Alternative Text

Siete herramientas de inteligencia artificial (IA) revisadas han demostrado ser útiles con sistemas de sensores. Son: sistemas basados en el conocimiento, lógica difusa, adquisición automática de conocimiento, redes neuronales, algoritmos genéticos, razonamiento basado en casos e inteligencia ambiental. Se explica cada herramienta de IA junto con algunos ejemplos de su uso con sistemas de sensores. Las aplicaciones de estas herramientas dentro de los sistemas de sensores se han generalizado debido a la potencia y la asequibilidad de los ordenadores actuales. Pueden surgir muchas nuevas aplicaciones de sensores, y puede hacerse un mayor uso de las herramientas híbridas que combinan los puntos fuertes de dos o más de las herramientas revisadas.

La figura 1 muestra un sistema de razonamiento basado en casos (CBR). Al igual que con los sistemas basados en reglas, los sistemas CBR son idóneos para representar el conocimiento de una manera clara para los humanos; sin embargo, los sistemas CBR también tienen la capacidad de aprender de ejemplos del pasado mediante la generación de nuevos casos adicionales.

Las herramientas y métodos aquí revisados poseen una complejidad mínima de cálculo y se pueden implementar con pequeños sistemas de sensores, sensores individuales o conjuntos de sistemas con microcontroladores de baja capacidad. El despliegue adecuado de las nuevas herramientas de IA contribuirá a la creación de sistemas de sensores y aplicaciones más competitivos. Otros avances tecnológicos en IA que afectarán a los sistemas de sensores incluyen técnicas de minería de datos, sistemas multiagente y sistemas autoorganizados distribuidos. La detección ambiental implica la integración de muchos procesadores y sensores microelectrónicos en los objetos cotidianos para que sean “inteligentes”. Pueden explorar su entorno, comunicarse con otras cosas inteligentes e interactuar con las personas. El asesoramiento proporcionado pretende ayudar a los usuarios a hacer frente a sus tareas de manera intuitiva, pero la repercusión de dicha integración en nuestras vidas es difícil de predecir. El uso de la inteligencia ambiental y una combinación de herramientas de IA implica un esfuerzo por utilizar lo mejor de cada tecnología. Normalmente, los conceptos se pueden aplicar a todos los procesos industriales y esta investigación tiene la intención de demostrar que esos conceptos funcionan en la práctica.

Creación de sistemas de sensores más inteligentes
Los sistemas de sensores se pueden mejorar empleando la inteligencia artificial (IA). [1] La IA surgió como una disciplina de la informática a mediados de la década de 1950 [2,3], y ha generado una serie de potentes herramientas que son útiles en los sistemas de sensores para resolver automáticamente problemas que normalmente requerirían de la inteligencia humana. Aquí se presentan siete de esas herramientas: sistemas basados en el conocimiento, lógica difusa, aprendizaje inductivo, redes neuronales, algoritmos genéticos, razonamiento basado en casos e inteligencia ambiental.

Los sistemas de IA han ido mejorando [4] y los nuevos avances en la inteligencia de las máquinas están creando interacciones fluidas entre las personas y los sistemas de sensores digitales. Aunque la introducción de la IA en la industria ha sido lenta, promete aportar mejoras en cuanto a flexibilidad, posibilidad de reconfiguración y fiabilidad. Los nuevos sistemas de máquinas están superando el desempeño humano en un número cada vez mayor de tareas. A medida que se fusionan con nosotros más íntimamente y combinamos nuestra capacidad cerebral con la capacidad informática de deliberar, analizar, deducir, comunicar e inventar, puede que nos encontremos en el umbral de una nueva era de la inteligencia de las máquinas. [5]

La IA (o la inteligencia de las máquinas) combina una amplia variedad de tecnologías avanzadas para proporcionar a las máquinas la capacidad de aprender, adaptar, tomar decisiones y mostrar nuevos comportamientos. [6] Esto se logra mediante tecnologías como las redes neuronales, [7] los sistemas expertos, [8,9] mapas autoorganizados, [10] la lógica difusa [11] y los algoritmos genéticos, [12] y esa tecnología de inteligencia de las máquinas se ha desarrollado aplicándose en muchas áreas donde se ha tenido que interpretar y procesar información procedente de sensores, por ejemplo:

  • Montaje [1, 14]
  • Biosensores [13]
  • Modelado de construcción [16]
  • Visión por ordenador [17]
  • Diagnóstico de herramientas de corte [30]
  • Ingeniería medioambiental [18]
  • Detección de fuerza [31]
  • Vigilancia de la salud [29]
  • Interacción hombre-máquina [19, 20]
  • Uso de Internet [21, 22]
  • Fresado por láser [15]
  • Mantenimiento e inspección [25, 26]
  • Ayuda asistida [23, 24]
  • Robótica [27, 28]
  • Redes de sensores [32]
  • Teleoperación [33, 34]

Estos avances en inteligencia de máquinas están siendo introducidos en sistemas de sensores cada vez más complejos. El clic de un ratón, el accionamiento de un interruptor o un pensamiento del cerebro pueden convertir casi cualquier dato de un sensor en información y transportarla hasta usted. He aquí algunos ejemplos recientes de este trabajo de investigación, incluyendo el trabajo de la Universidad de Portsmouth. A continuación se indican siete áreas en las que la IA puede ayudar a los sistemas de sensores.

1. Sistemas basados en el conocimiento
Los sistemas basados en el conocimiento (o sistemas expertos) son programas informáticos que incorporan conocimientos sobre un dominio para la solución de problemas relacionados con dicho dominio. [2] Un sistema experto posee, generalmente, dos elementos principales: una base de conocimientos y un mecanismo de inferencia. La base de conocimientos contiene conocimientos sobre el dominio que se pueden expresar como una combinación de las reglas “Si-Entonces”, declaraciones objetivas, marcos, objetos, procedimientos y casos. Un mecanismo de inferencia gestiona el conocimiento almacenado para dar soluciones a los problemas. Los métodos de gestión del conocimiento incluyen el uso de la herencia y de las limitaciones (en un sistema experto basado en marcos u orientado a objetos), la recuperación y adaptación de ejemplos de casos (en los sistemas basados en casos) y la aplicación de reglas de inferencia (en los sistemas basados en reglas), de acuerdo con algún procedimiento de control (encadenamiento hacia delante y hacia atrás) y estrategia de búsqueda (primero en profundidad o en extensión). [1]

Un método basado en reglas describe el conocimiento de un sistema en términos de “Si..., entonces... sino...” El conocimiento específico se puede utilizar para tomar decisiones. Estos sistemas son idóneos para representar el conocimiento y las decisiones de una manera comprensible para los humanos. Pero, debido a esta rígida estructura basada en reglas no son tan buenos a la hora de manejar la incertidumbre y son deficientes a la hora de manejar la imprecisión. Un sistema típico basado en reglas posee cuatro componentes básicos: una lista de reglas o base de reglas, que es un tipo específico de base de conocimientos; un motor de inferencia [35, 36] o razonador semántico, que deduce información o actúa basándose en la interacción entre la entrada y la base de reglas; memoria de trabajo temporal; y una interfaz de usuario u otra conexión con el mundo exterior a través de la cual se reciben y se envían las señales de entrada y salida. [1]

La idea del razonamiento basado en casos es adaptar soluciones de problemas anteriores para problemas actuales. Estas soluciones se almacenan en una base de datos y pueden representar lo que sería la experiencia de especialistas humanos. Cuando se produce un problema que un sistema no ha experimentado, se compara con casos anteriores y se selecciona uno que sea lo más cercano al problema actual. A continuación, se actúa teniendo en cuenta la solución dada y se actualiza la base de datos dependiendo del éxito o del fracaso de la acción. [37] Los sistemas de razonamiento basados en casos a menudo se consideran una extensión de los sistemas basados en reglas. Son idóneos para representar el conocimiento de una manera clara para los humanos y también tienen la capacidad de aprender de ejemplos del pasado generando nuevos casos adicionales.

2. Razonamiento basado en casos
El razonamiento basado en casos se ha formalizado, a efecto del razonamiento computacional, como un proceso de cuatro pasos:

1) Recuperar: Dado un problema que resolver, se recuperan de la memoria los casos que son relevantes para hacerlo. Un caso consta de un problema, su solución y, por lo general, de las anotaciones acerca de cómo se consigue la solución.

2) Reutilizar: Transfiere la solución del caso anterior al problema que hay que resolver. Esto puede implicar la adaptación de la solución según sea necesario para adecuarse a la nueva situación.

3) Revisar: Después de haberse transferido la solución anterior a la situación que hay que resolver, se prueba la nueva solución en el mundo real (o en una simulación) y, si es necesario, se revisa.

4) Conservar: Después de que la solución haya sido adaptada con éxito al problema, se almacena la experiencia resultante como un nuevo caso en la memoria.

Los críticos argumentan que se trata de un planteamiento en el que se acepta una prueba anecdótica como principio básico de funcionamiento. Sin datos estadísticamente relevantes de respaldo y de generalización implícita, no hay garantía de que la generalización sea correcta. Sin embargo, cualquier razonamiento inductivo en el que los datos sean demasiado escasos como para ser estadísticamente relevantes se basa intrínsecamente en pruebas anecdóticas. [1]

La idea del razonamiento basado en casos (CBR) es adaptar soluciones de problemas anteriores para problemas actuales. Estas soluciones se almacenan en una base de datos y representan lo que sería la experiencia de especialistas humanos. Cuando se produce un problema que un sistema no ha experimentado, se compara con casos anteriores y se selecciona el más cercano al problema actual. A continuación, se actúa teniendo en cuenta la solución dada y se actualiza la base de datos dependiendo del éxito o del fracaso de la acción.

Los sistemas CBR a menudo se consideran una extensión de los sistemas basados en reglas. [1] Al igual que con los sistemas basados en reglas, los sistemas CBR son idóneos para representar el conocimiento de una manera clara para los humanos; sin embargo, los sistemas CBR también tienen la capacidad de aprender de ejemplos del pasado mediante la generación de nuevos casos adicionales. La figura 1 muestra un sistema de CBR.

Muchos sistemas expertos se desarrollan utilizando programas conocidos como “shells”, que son sistemas expertos ya listos y completos con inferencia y prestaciones de almacenamiento del conocimiento pero sin conocimientos de dominio. Algunos sistemas expertos sofisticados se construyen con la ayuda de “entornos de desarrollo”. Estos últimos son más flexibles que los “shells” ya que también proporcionan medios para que los usuarios implementen sus propios métodos de inferencia y representación de conocimiento. [En la Ref. 40 se muestran algunos detalles sobre “shells” de sistemas expertos y entornos de desarrollo.]

Los sistemas expertos son probablemente las más maduras de las herramientas aquí mencionadas, ya que hay muchos “shells” comerciales y herramientas de desarrollo disponibles para facilitar su construcción. En consecuencia, una vez extraídos los conocimientos de dominio que se van a incorporar a un sistema experto, el proceso de construcción del sistema es relativamente simple. La facilidad con la que pueden desarrollarse los sistemas expertos ha permitido que surja un gran número de aplicaciones de la herramienta. En los sistemas de sensores, pueden encontrarse aplicaciones para una gran variedad de tareas, incluyendo selección de entradas de sensor, interpretación de señales, supervisión de condiciones, diagnóstico de fallos, control de máquinas y procesos, diseño de máquinas, planificación de procesos, programación de la producción y configuración de sistemas. Algunos ejemplos de tareas específicas llevadas a cabo por los sistemas expertos son:

  • Montaje [44]
  • Programación automática [41]
  • Control de vehículos complejos inteligentes [42]
  • Inspección de planificación [46]
  • Predicción de riesgo de enfermedad [48]
  • Selección de herramientas y de estrategias de mecanizado [45]
  • Planificación de secuencias [43]
  • Control de crecimiento de plantas. [47]

[Más información sobre la tecnología de sistemas expertos en 3, 49.]

3. Lógica difusa
La figura 2 muestra una arquitectura para un controlador basado en lógica difusa. Cortesía de: Universidad de Portsmouth

El uso de la lógica difusa, [50] que refleja la naturaleza cualitativa e inexacta del razonamiento humano, puede favorecer una mayor resiliencia de los sistemas expertos. Con la lógica difusa, el valor exacto de una variable se sustituye por una descripción lingüística, cuyo significado está representado por un conjunto difuso, y la inferencia se lleva a cabo sobre la base de esa representación. Por ejemplo, una entrada de un sistema de sensores de 20 puede ser reemplazada por la palabra “normal” en la descripción lingüística de la variable “entrada de sensor”. Un conjunto difuso para definir el término “entrada normal del sensor” podría ser:

Entrada normal del sensor = 0,0 / por debajo de 10 widgets por minuto +0,5/10-15 widgets por minuto +1,0/15-25 widgets por minuto +0,5/25-30 widgets por minuto +0,0 /por encima de los 30 widgets por minuto.

Los valores 0,0, 0,5 y 1,0 son los niveles o grados de pertenencia de los intervalos de sensor por debajo de 10 (más de 30), 10-15 (25-30), y 15-25 para el conjunto difuso dado. Un grado de pertenencia igual a 1 indica una pertenencia plena, y el grado cero corresponde a una pertenencia total nula.

En un sistema experto que emplea la lógica difusa, el conocimiento se puede expresar como declaraciones cualitativas (o reglas difusas), del tipo “Si la entrada del sensor de temperatura ambiente es normal, establezca, entonces, la entrada de calor a normal”. Un procedimiento de razonamiento conocido como la regla composicional de inferencia, que es el equivalente a la regla “modus-ponens” en sistemas expertos basados en reglas, permite extraer conclusiones por generalización (extrapolación o interpolación) a partir de la información cualitativa almacenada en la base de conocimientos. [1] Por ejemplo, cuando se detecta que una entrada de sensor se encuentra “ligeramente por debajo de lo normal”, un sistema experto de lógica difusa de control podría deducir que las entradas de los sensores deben ser ajustados a “ligeramente por encima de lo normal”. Cabe observar que esta conclusión podría no estar contenida en ninguna de las reglas difusas almacenadas en el sistema.

Los sistemas expertos difusos (FES) utilizan la lógica difusa para manejar las incertidumbres generadas por datos incompletos o parcialmente corruptos. La técnica utiliza la teoría matemática de conjuntos difusos para simular el razonamiento humano. Los humanos pueden tratar fácilmente con la ambigüedad (zonas grises) en términos de toma de decisiones, sin embargo, a las máquinas les resulta difícil. [51]

La figura 2 muestra una arquitectura para un controlador basado en lógica difusa.

La lógica difusa encuentra muchas aplicaciones en sistemas de sensores en los que los conocimientos de dominio pueden ser imprecisos. La lógica difusa resulta muy adecuada en los casos en los que la imprecisión es inherente debido a que los límites entre estructuras u objetos son ya imprecisos o debido a una resolución limitada, a métodos de reconstrucción numéricos y al filtrado de imágenes. Por ejemplo, las aplicaciones en reconocimiento estructural de objetos y en interpretación de escenas han sido desarrolladas utilizando conjuntos difusos dentro de sistemas expertos. Los sistemas expertos difusos son adecuados para aplicaciones que requieren capacidad para manejar situaciones inciertas e imprecisas. No tienen capacidad de aprendizaje, ya que los valores del sistema están predefinidos y no se pueden cambiar. [Más información sobre la lógica difusa y conjuntos difusos disponible en las refs. 52, 53, 54.]

Se han logrado éxitos notables en las áreas de:

  • Robots cooperativos [58]
  • Robots móviles [56]
  • Predicción de las propiedades sensoriales [57]
  • Gestión de la cadena de suministro [59]
  • Soldadura. [28, 55]

[Más información sobre la lógica difusa y los conjuntos difusos disponible en la ref. 60.]

4. Adquisición automática de conocimientos
Obtener conocimientos de dominio para incluirlos en una base de conocimientos puede resultar complicado y exigir mucho tiempo. Puede llegar a ser un cuello de botella a la hora de construir un sistema experto. [1] Las técnicas de adquisición automática de conocimientos fueron desarrolladas para solucionar esta dificultad, por ejemplo, en forma de reglas Si-Entonces (o un árbol de decisión equivalente). Por lo general, este tipo de programa de aprendizaje requiere de un conjunto de ejemplos como entrada de aprendizaje. Cada ejemplo está caracterizado por los valores de una serie de atributos y por la clase a la que pertenecen.

Uno de los métodos, por ejemplo, es usar un proceso de “divide y vencerás”, donde los atributos se seleccionan de acuerdo con alguna estrategia (por ejemplo, maximizar la obtención de información) para dividir el conjunto original de ejemplo en subconjuntos, y el programa de aprendizaje inductivo crea un árbol de decisión que clasifica correctamente el conjunto de ejemplo dado. El árbol representa el conocimiento generalizado a partir de los ejemplos específicos del conjunto. Posteriormente, esto puede emplearse para manejar situaciones que no estén cubiertas explícitamente por el conjunto de ejemplo.

En otro método conocido como el “método de cobertura”, el programa de aprendizaje inductivo intenta encontrar grupos de atributos compartidos únicamente por ejemplos de ciertas clases, y forma las reglas con la parte SI como conjunciones de esos atributos y con la parte ENTONCES como las clases. El programa elimina de la valoración los ejemplos correctamente clasificados y se detiene cuando se han formado reglas para clasificar todos los ejemplos del conjunto dado. [2]

Otro método es utilizar la programación lógica en lugar de la lógica proposicional para describir ejemplos y representar conceptos nuevos. Dicho enfoque emplea la lógica de predicados más potente para representar ejemplos de entrenamiento y conocimientos previos, así como para expresar conceptos nuevos. La lógica de predicados permite el uso de diferentes formas de ejemplos de entrenamiento y conocimientos previos. Permite describir los resultados del proceso de inducción (los conceptos inducidos) como oraciones generales de primer orden con variables y no simplemente como oraciones proposicionales de orden cero compuestas de pares de atributo-valor. Hay dos tipos principales de estos sistemas: el primero está basado en el método de generalización/especialización de arriba abajo, y el segundo en el principio de resolución inversa. [36]

Se ha desarrollado una serie de programas de aprendizaje, por ejemplo ID3, [61] que es un programa de “divide y vencerás”; el programa AQ, [35], que sigue el método de cobertura; el programa FOIL, [36], que es un sistema ILP que adopta el método de generalización/especialización; y el programa GOLEM, [36], que es un sistema ILP basado en la resolución inversa. Aunque la mayoría de los programas solamente generan reglas de decisión bien definidas, también se han desarrollado algoritmos para producir reglas difusas. [62]

El requisito de un conjunto de ejemplos de formato rígido (con atributos conocidos y de clases conocidas) se ha satisfecho fácilmente mediante requisitos en sistemas y redes de sensores, de manera que el aprendizaje automático ha sido ampliamente utilizado en los sistemas de sensores. Este tipo de aprendizaje resulta más adecuado para los problemas en los que los atributos tienen valores discretos o simbólicos en lugar de aquellos con atributos de valor continuado, como en muchos problemas de sistemas de sensores. [Más información en 63, 64, 65]

Entre los ejemplos de aplicaciones de aprendizaje inductivo se incluyen:

  • Corte láser [66]
  • Detección de minas [67]
  • Robótica. [68]

5. Redes neuronales
Las redes neuronales pueden también reproducir conocimientos de dominio a partir de ejemplos. Sin embargo, no archivan los conocimientos adquiridos de una forma explícita, como en reglas o árboles de decisión, y pueden manejar fácilmente tanto datos continuos como discretos. [1] También tienen una buena capacidad de generalización al igual que los sistemas expertos difusos.

Una red neuronal es un modelo computacional del cerebro. Los modelos de redes neuronales generalmente asumen que la computación se distribuye en varias unidades simples llamadas “neuronas”, que están interconectadas y funcionan en paralelo. (Por ello, a las redes neuronales también se las denomina sistemas de procesamiento distribuido en paralelo o sistemas conexionistas.)

La red neuronal más popular es el perceptrón multicapa, que es una red de propagación hacia delante: todas las señales fluyen en un sentido, desde la entrada hasta la salida de la red. Las redes de propagación hacia delante pueden realizar un mapeo estático entre un espacio de entrada y un espacio de salida: la salida en un instante dado es una función solo de la entrada en ese instante. De las redes recurrentes, aquellas en las que las salidas de algunas neuronas son realimentadas a las mismas neuronas o a neuronas situadas en capas posteriores, se dice que tienen una memoria dinámica: la salida de este tipo de redes, en un instante dado, refleja la entrada actual, así como las entradas y salidas anteriores.

El “conocimiento” implícito se construye dentro de una red neuronal entrenándola. Se pueden entrenar algunas redes neuronales presentándoles patrones típicos de entrada y los correspondientes patrones de salida previstos. El error entre las salidas reales y las previstas se emplea para modificar los puntos fuertes, o pesos, de las conexiones entre las neuronas. Este método de entrenamiento se conoce como entrenamiento supervisado. A menudo, en un perceptrón multicapa se adopta el algoritmo de retropropagación para entrenamiento supervisado con la intención de propagar el error desde las neuronas de salida y calcular las modificaciones de peso de las neuronas de las capas ocultas.

Algunas redes neuronales son entrenadas en un modo sin supervisión, en el que durante el entrenamiento solamente se proporcionan los patrones de entrada y las redes aprenden automáticamente a agruparse en grupos con características similares. [Para más información sobre las redes neuronales, consulte las refs. 69, 70, 71.]

Las redes neuronales artificiales (RNA) suelen tener entradas y salidas y, entre estas, procesamientos en las capas ocultas. Las entradas son variables independientes y las salidas, dependientes. Las RNA son funciones matemáticas flexibles con parámetros internos configurables. Para representar con precisión las relaciones complicadas, estos parámetros se ajustan mediante un algoritmo de aprendizaje. Durante el aprendizaje “supervisado”, se presentan a las redes simultáneamente ejemplos de entradas y de las correspondientes salidas deseadas, que, de forma iterativa, se autoajustan para representar con precisión tantos ejemplos como sea posible.

Una vez entrenadas, las RNA pueden aceptar nuevas entradas y tratar de predecir las salidas de la forma más exacta. Para producir una salida, la red simplemente realiza una evaluación de la función. El único supuesto es que exista alguna relación funcional continua entre los datos de entrada y los de salida. Las redes neuronales pueden emplearse como dispositivos de mapeo o para clasificar o completar patrones (memorias autoasociativas de contenido direccionable y dispositivos de asociación de patrones). Al igual que los sistemas expertos, estas redes han encontrado una amplia gama de aplicaciones en casi todas las áreas de sistemas de sensores, tratando problemas que van desde modelado, predicción, control, clasificación y reconocimiento de patrones, hasta asociación y agrupación de datos, procesamiento de señales y optimización. Algunos ejemplos recientes de aplicaciones son:

  • Reconocimiento de características [72]
  • Intercambiadores de calor [75]
  • Inspección de juntas de soldadura [74]
  • Optimización de los parámetros de soldadura por puntos [77]
  • Potencia [78]
  • Pantallas táctiles [76]
  • Sistemas de sensores de vehículos. [73]

6. Algoritmos genéticos
Un algoritmo genético es un procedimiento de optimización estocástica inspirado en la evolución natural. [2] Un algoritmo genético puede dar con la solución óptima global en un espacio complejo de búsqueda multimodal sin necesidad de conocimientos específicos sobre el problema a resolver. Sin embargo, para poder aplicar un algoritmo genético, las posibles soluciones a un problema dado deben poder representarse como cadenas de números (normalmente binarios) conocidas como cromosomas, y debe haber un medio para determinar la bondad o la idoneidad de cada cromosoma. Un algoritmo genético opera en un grupo o población de cromosomas en un mismo instante, aplicando, de manera iterativa, operadores de base genética, tales como operadores de cruce y mutación, para producir poblaciones más adecuadas que contengan cromosomas con una mejor solución.

El algoritmo comienza, normalmente, creando una población inicial de cromosomas mediante un generador de números aleatorios. Después, evalúa cada cromosoma. Los valores de idoneidad de los cromosomas se utilizan en la selección de los cromosomas que van a emplearse en operaciones posteriores. Después de las operaciones de cruce y mutación, se obtiene una nueva población y el ciclo se repite con la evaluación de dicha población. [Para más información sobre los algoritmos genéticos, véanse las refs. 79, 80, 81.]

Los algoritmos genéticos han encontrado aplicaciones en problemas de sistemas de sensores que implican una optimización combinatoria compleja o de múltiples parámetros. Algunos ejemplos recientes de estas aplicaciones son:

  • Montaje [82]
  • Equilibrado de la línea de montaje [85]
  • Diagnóstico de fallos [83]
  • Vigilancia de la salud [86]
  • Dirección asistida. [84]

7. Inteligencia ambiental
Durante la última década se ha promocionado la inteligencia ambiental con una imagen de personas que trabajan con facilidad en entornos controlados digitalmente en los que la electrónica puede anticipar el comportamiento de dichas personas y responder a su presencia. El concepto de inteligencia ambiental trata de una interacción fluida entre las personas y los sistemas de sensores para satisfacer las necesidades actuales y futuras.

Su uso en la industria ha sido limitado, pero ya están en fase de investigación unos sistemas nuevos, más inteligentes y más interactivos. Desde la perspectiva de los sistemas de sensores, resulta necesario valorar una definición de la inteligencia ambiental menos humana y más centrada en los sistemas. Los conceptos modernos de sensores tienden a centrarse en las personas, por lo que la aplicación de las tecnologías de inteligencia ambiental en combinación con la gestión del conocimiento puede ser un planteamiento prometedor. Para que la tecnología de la inteligencia ambiental pueda implementarse en los sectores industriales, aún se deben resolver muchos problemas de investigación, tales como unos sensores robustos y fiables (inalámbricos), la sensibilidad respecto al contexto, las interfaces de usuario inteligentes, la protección, la seguridad, etc.

La información y los conocimientos en inteligencia ambiental recogidos por los sensores dentro de un entorno representan un recurso sin explotar para los procesos de optimización y para las posibilidades de proporcionar servicios más eficientes. La introducción de las tecnologías de inteligencia ambiental se encuentra todavía en fase inicial. Sin embargo, promete proporcionar ventajas en cuanto a flexibilidad, capacidad de reconfiguración y fiabilidad. Al mismo tiempo, los precios de los sensores y de las etiquetas están disminuyendo. Es probable que tenga lugar el desarrollo y la implementación de nuevos conceptos basados en sistemas de inteligencia ambiental a medio y largo plazo. Probablemente, un gran número de empresas industriales introducirá diferentes tecnologías de inteligencia ambiental en las plantas de producción.

Por otra parte, los proveedores de sensores tendrán que equipar sus productos con características adicionales de inteligencia ambiental y utilizar las ventajas de los sensores integrados de inteligencia ambiental para proporcionar nuevas funcionalidades (por ejemplo: autoconfiguración, sensibilidad al contexto, etc.) y mejorar el rendimiento de sus productos.

[Para más información, consulte 87, 88.]

Aplicaciones en IA, Universidad de Portsmouth
En la Universidad de Portsmouth se están aplicando herramientas de IA para ayudar a la industria en la adopción de la inteligencia artificial para su uso con sistemas de sensores.

Supervisión y control de máquinas: Se están investigando reglas sencillas que modifican las rutas previamente planificadas y mejoran los movimientos bastos del robot asociados con tareas de manipulación, [89] y se están desarrollando reglas para predecir los contornos del terreno mediante una red neuronal de propagación hacia delante. [90] El razonamiento basado en casos se está aplicando para reutilizar programas (o partes de programas) para programar automáticamente agrupaciones de sensores. El trabajo combinado ya está demostrando que la programación automática y la reprogramación pueden ayudar a introducir sensores ambientales en pequeñas y medianas empresas. Otros proyectos están utilizando sistemas expertos sencillos para mejorar el uso de los datos de los sensores en aplicaciones de teleoperación. [91, 92, 93]

Supervisión y control de procesos: Se está desarrollando un sistema experto para ayudar en el control de procesos y mejorar la implementación del control estadístico de procesos. Un sistema experto a medida utiliza un método híbrido basado en reglas y orientado a pseudoobjetos para representar el conocimiento de control de procesos estadísticos estándar y el conocimiento de diagnósticos específicos del proceso. La cantidad de conocimiento procedente de las agrupaciones de sensores y de los sistemas de sensores puede ser amplia, lo que justifica el uso de un enfoque de sistemas basados en el conocimiento. El sistema está siendo reforzado mediante la integración de un módulo de red neuronal con módulos de sistema experto para detectar cualquier patrón anormal. [94]

Supervisión de agrupaciones de sensores: Se ha creado un sistema para supervisar los sensores en un reactor de agitación por aire de alta recirculación (un proceso para producir agua potable). [8, 18, 95] Los reactores pueden estar en el límite de la estabilidad, y eso exige una interpretación precisa de los datos de los sensores en tiempo real, tales como: caudal, entrada de aire, presión, etc. Un segundo sistema interpreta los datos de las agrupaciones de sensores ultrasónicos dispuestos en robots móviles teleoperados y en sillas de ruedas. [23, 24, 33, 34]

Supervisión y control difusos: Se está creando un sistema de soldadura robótica que utiliza técnicas de procesamiento de imágenes y un modelo de diseño asistido por ordenador (CAD) para proporcionar información a un módulo de decisión multiinteligente. [96] El sistema utiliza diferentes técnicas para sugerir los requisitos de soldadura. Las sugerencias se evalúan, se toman las debidas decisiones y los parámetros de soldadura se envían a un generador de programas. El estado del proceso de soldadura es difícil de supervisar debido a la intensa perturbación durante el proceso. En otro trabajo, se emplean múltiples sensores para obtener información sobre el proceso. Se está investigando la medición difusa y los métodos de evaluación integral difusa para combinar las características de señal extraídas y predecir el estado de penetración del proceso de soldadura.

Inspección del producto basada en redes neuronales: Dos proyectos están usando redes neuronales para la inspección de los productos: uno reconoce elementos de construcción naval y un segundo emplea cámaras para detectar y clasificar los defectos. Las redes neuronales son útiles para este tipo de aplicaciones debido a la habitual dificultad para describir con precisión diversos tipos de defectos y diferencias. Las redes neuronales pueden aprender la tarea de clasificación de forma automática a partir de ejemplos.

El primer sistema consigue reconocer elementos de construcción naval utilizando redes neuronales artificiales y descriptores de Fourier. [17] Se han realizado mejoras en un sistema de reconocimiento de patrones para el reconocimiento de piezas de construcción naval. [26] Esto se ha logrado mediante el uso de un nuevo detector de esquinas sencillo y preciso. El nuevo sistema encuentra inicialmente esquinas en una imagen de una pieza con borde detectado y utiliza esta información nueva para extraer los descriptores de Fourier que se introducen en una red neuronal para que se tome la decisión sobre las formas. Utilizando una medición de precisión todo o nada, los nuevos sistemas han logrado mejorar respecto a otros sistemas.

Se ha construido un segundo sistema de inspección inteligente que consta de cámaras conectadas a un ordenador y que implementa algoritmos basados en redes neuronales para detectar y clasificar los defectos. Las salidas de la red indican el tipo de defecto. La investigación inicial sugiere que la precisión de la clasificación de los defectos es buena (superior al 85 %) y más rápida que la inspección manual. El sistema también se utiliza para detectar elementos defectuosos con una alta precisión (casi el 100 %).

Algoritmos genéticos para crear un diseño ergonómico en el lugar de trabajo: Se está desarrollando un algoritmo genético para decidir dónde colocar los sensores en una célula de trabajo. El diseño generado por el programa se realizará de modo que se dé prioridad a los sensores que se requieran con mayor frecuencia. Para este problema de optimización resulta adecuado un algoritmo genético, ya que puede albergar rápidamente múltiples restricciones.

La Figura 3 muestra un sistema experimental para comprobar la utilización de la inteligencia ambiental en la mejora de la eficiencia energética. Cortesía de: Universidad de Portsmouth

Inteligencia ambiental para mejorar la eficiencia energética: Se están empleando tecnologías de inteligencia ambiental y de gestión del conocimiento para optimizar la eficiencia energética de las unidades de producción. [88] Esto beneficia tanto a la empresa como al medio ambiente, ya que se reduce la huella de carbono. Para controlar el uso de la energía se aplican diferentes sistemas de medición. [97] Los datos ambientales ofrecen la oportunidad de contar con información detallada sobre el rendimiento de una unidad de producción. [98] La gestión del conocimiento facilita el procesamiento de esta información y asesora sobre las acciones que se deben tomar para minimizar el uso de la energía, a la vez que se mantiene la producción. Los datos existentes sobre el consumo de energía a partir de mediciones estándar se complementan con las mediciones relacionadas con la inteligencia ambiental (procedentes de interacciones entre los operarios y las máquinas/procesos y de etiquetas inteligentes), así como con las mediciones relacionadas con los procesos (temperaturas de la línea de producción, presión de la línea, ritmo de producción) y con los conocimientos adquiridos dentro de la unidad de montaje de producción. Estos datos son introducidos en un sistema de arquitectura orientada al servicio. La figura 3 muestra un sistema experimental que emplea inteligencia ambiental para mejorar la eficiencia energética.

Combinación de diferentes sistemas
El propósito de un sistema híbrido es el de combinar los elementos deseables de diferentes técnicas de IA en un solo sistema. Cada método de implementación de la IA tiene sus propios puntos fuertes y débiles. Se han intentado combinar diferentes métodos con los que producir técnicas híbridas con más puntos fuertes y menos puntos débiles. Un ejemplo es el sistema neuro-difuso, que pretende combinar la gestión de la incertidumbre de los sistemas difusos con el poder de aprendizaje de las redes neuronales artificiales.

En la figura 4, el diagrama de flujo del sistema propuesto muestra cómo un sistema puede recoger datos de un sensor de imagen. Los datos visuales y los datos del modelo CAD se utilizarán conjuntamente para determinar una lista de objetos; dicha lista de objetos se enviará a un módulo identificador de soldadura que utilizará técnicas de IA para determinar los requisitos de soldadura.

De esta manera se aborda una solución a los problemas asociados con la programación de la soldadura. [96] Un sistema actual se compone de dos sistemas de software que trabajan en serie para construir programas de robot viables. El primer sistema, el intérprete de modelos CAD, acepta un modelo CAD y determina las soldaduras requeridas. Estos datos se introducen en el generador de programas, que reorienta los requisitos de soldadura en sintonía con la actual orientación realista del panel. Después, el generador de programas envía los programas secuencialmente al robot (normalmente un programa por línea de soldadura). Podrían incorporarse otros sistemas de software al sistema existente en el punto donde los programas de robot se envían al sistema robótico. Esto sucede porque el protocolo de transmisión en este punto es el estándar TCP/IP [protocolo de control de transmisión / protocolo de Internet] y todos los programas que se envíen pueden ser visualizados como archivos de texto.

Un nuevo sistema propuesto (mostrado en la figura 4) recogerá los datos de un sensor de imagen. Los datos visuales y los datos del modelo CAD se utilizarán conjuntamente para determinar una lista de objetos, y dicha lista de objetos se enviará a un módulo identificador de soldadura que utilizará técnicas de IA para determinar los requisitos de soldadura.

El sistema propuesto utiliza una combinación de técnicas de IA que trabajan en paralelo para sugerir los requisitos de soldadura. Estas sugerencias son evalúan y luego se toma la decisión con respecto a la soldadura requerida. Después, estos parámetros se envían a un nuevo generador de programas, que crea un programa de robot personalizado para su uso en la planta de producción. Los métodos de captura de imagen se combinan con un sistema de toma de decisiones que utiliza varias técnicas de IA para decidir sobre los requisitos de soldadura necesarios para un trabajo.

El sistema combinará los datos visuales reales del sensor de imagen con los datos proporcionados por el modelo CAD. A continuación, utilizará estos datos combinados para presentar la misma información a diferentes sistemas de IA. Después, estos sistemas le sugerirán a un módulo identificador de soldadura los requisitos de soldadura (figura 5). Este módulo evaluará las sugerencias y determinará la trayectoria óptima de soldadura. Después, las sugerencias se trasladarán al generador de programas del robot.

Se han creado, probado y empleado sistemas de generación de programas de robots para producir soldaduras de línea recta uniformes. Se ha creado un sencillo sistema de detección de bordes. El trabajo en torno a los sistemas de IA se encuentra en las primeras fases y tendrá que desarrollarse. El marco del módulo de decisión multiinteligente se seguirá desarrollando y las combinaciones de técnicas de IA se someterán a pruebas. Entre las técnicas de IA que se comprobarán están los sistemas basados en reglas, los basados en casos y los difusos. Cualquier sistema que se cree tiene que ser capaz de gestionar la incertidumbre en objetos no identificados dentro de la imagen; cuando todos los objetos están positivamente identificados, deben existir pocas dudas en cuanto a la trayectoria de soldadura.

En la figura 5, los sistemas de sensores sugieren requisitos de soldadura al módulo identificador de soldadura que aparece aquí. Este módulo evalúa las sugerencias y determina la trayectoria óptima de soldadura. Después, las sugerencias se trasladarán al generador de programas del robot. Cortesía:

Otro ejemplo de la combinación de diferentes herramientas de inteligencia artificial es la red difusa. Los nodos de este tipo de red son bases de reglas difusas y las conexiones entre los nodos corresponden a interacciones en forma de salidas que van desde los nodos, que son introducidos como entradas, hasta los mismos nodos u otros distintos. La red difusa es una herramienta híbrida que combina sistemas difusos y redes neuronales debido a su estructura de rejilla subyacente con niveles horizontales y capas verticales. Esta herramienta resulta muy adecuada para modelar el proceso de montaje automatizado debido a que las diferentes fases de montaje pueden describirse como bases de reglas difusas modulares que interactúan de forma paralela/secuencial y en un contexto de propagación hacia delante / hacia atrás.

Las principales ventajas de la aplicación de esta herramienta de modelado híbrido son una mayor precisión, debido a una única fuzzificación-inferencia-desfuzzificación y una mayor transparencia gracias al enfoque modular utilizado. Estas ventajas son bastante cruciales teniendo en cuenta las incertidumbres en los datos y la estructura interconectada de algunos sistemas de sensores.

Mezcla de sistemas de sensores y lógicos
Los investigadores de la Universidad de Portsmouth están combinando sistemas de sensores [97] con otras nuevas y potentes tecnologías, por lo que el uso más prolongado ya está dando mejores resultados. [5] Con el tiempo, los resultados incluyen un menor uso de energía, espacio y tiempo, lo que conlleva una mayor producción a menor costo. En el Centro Regional para la Industria Manufacturera de la Universidad de Portsmouth, las máquinas leen datos de objetos reales y tienden sucesivas capas para construir un modelo del objeto a partir de una serie de secciones transversales. La IA está adquiriendo importancia en todos los sectores a la hora de reducir costes y tiempo.

La IA puede aumentar una comunicación eficaz, reducir fallos, minimizar errores y ampliar la vida del sensor.

En los últimos 40 años, la inteligencia artificial ha producido una serie de potentes herramientas, incluidas las aquí revisadas: sistemas basados en el conocimiento, lógica difusa, aprendizaje automático, redes neuronales, inteligencia ambiental y algoritmos genéticos. Las aplicaciones de estas herramientas en sistemas de sensores se han generalizado debido a la potencia y la asequibilidad de los actuales ordenadores. Pueden surgir muchas nuevas aplicaciones de sensores, y puede hacerse un mayor uso de las herramientas híbridas que combinan los puntos fuertes de dos o más de las herramientas mencionadas. Otros avances tecnológicos de la IA que afectarán a los sistemas de sensores incluyen la minería de datos, los sistemas multiagente y los sistemas de autoorganización distribuidos. El despliegue adecuado de las nuevas herramientas de IA contribuirá a la creación de sistemas de sensores más competitivos.

Puede pasar otra década antes de que los ingenieros reconozcan sus beneficios, teniendo en cuenta la actual falta de familiarización y los obstáculos técnicos asociados al uso de estas herramientas, pero, sin lugar a dudas, este campo de estudio está en plena expansión.

Las herramientas y los métodos descritos poseen una complejidad mínima de cálculo y se pueden implementar en pequeñas líneas de montaje, en robots individuales, o en sistemas con microcontroladores de baja capacidad. Estos nuevos planteamientos propuestos emplean la inteligencia ambiental y una combinación de diferentes herramientas de IA en un esfuerzo por utilizar lo mejor de cada tecnología. Los conceptos son aplicables genéricamente a muchos procesos.

- David Sanders es coordinador de investigación de la Escuela de Ingeniería y lector en Ingeniería de Sistemas y del Conocimiento de la Universidad de Portsmouth, Reino Unido. Editado por Mark T. Hoske, gestor de contenidos.

CTLx_LOGO_Color_ID

Powered by ContentStream®