Autor: July Andrea Gomez Camperos

Director: Ph.D Faustino Muñoz Moner

Co – director: PhD. Oscar Eduardo Gualdrón Guerrero

 

RESUMEN

 

En el presente trabajo se presenta la investigación y el desarrollo de una nueva metodología de diseño basada en patrones de células madres y clonación Artificial aplicada en una operación de ensamble en procesos metalmecánicos de fabricación; la metodología de Clonación Artificial aplicada, surge como una alternativa para el desarrollo de medios, equipos de medición y de control avanzados, que permiten responder a las exigencias de la modernización industrial, a través de replicas funcionales (clones) de sensores, controladores y actuadores basadas en técnicas de inteligencia artificial; en ellos se aplican métodos y procedimientos de clonación artificial y computación evolutiva.

La Metodología de diseño basada en patrones de células madres y clonación Artificial, permite replicar funciones a través de una imitación reproducida por generaciones de “cromosomas”- representaciones de configuraciones de la población inicial -información sobre funciones de desempeño de los equipos, procesos e/o instalación, ordenadas de acuerdo a funciones multiobjetivos, Con "operadores genéticos”- herramientas que permiten alterar la composición de los nuevos cromosomas generados por los padres (población inicial), durante la reproducción e incluye: Mutación (generación de nueva información en un sistema), Cruce (intercambio de información entre dos sistemas), Inversión (intercambio información en un mismo sistema) entre otros.; de esta forma con el modelo de algoritmos genéticos para la clonación artificial, se pueden tener las estructuras básicas para el diseño de patrones por células madres para la detección y diagnóstico de fallos, como solución para la implementación de sistemas de naturaleza evolutiva, como observadores, controladores adaptativos basados en técnicas avanzadas de informática industrial: tiempo real, sistemas distribuidos .

Para la presente investigación se utilizarán los AGs para la aplicación e interpretación del mapeo genético, que contiene los códigos de la estructura funcional del controlador de la prensa. El mapeo es un conjunto de barras de códigos que describe las unidades operativas funcionales del controlador, se realiza la codificación en forma de cromosomas del resultado de las reglas del sistema fuzzy, evaluadas en un conjunto de datos del sistema, se obtuvo el genoma, el cual replica el funcionamiento del sistema de control, con la aplicación de operadores genéticos basados en algoritmos genéticos, y cuyo resultado final es una réplica funcional evolucionada del sistema de control.

Bibliografía

 

 

A. Delgado, Inteligencia Artificial y Minirobots. Ecoe Ediciones, 1998.

 

A. Ghosh, N. R. Pal, and S. K. Pal, "Self-organization for object extraction using a multilayer neural network and fuzziness measures," IEEE Transactions on Fuzzy Systems, vol. 1, pp. 54-58, 1993.

 

C. J. Lin, C. H. Chen, and C. T. Lin, "Efficient self-evolving evolutionary learning for neurofuzzy inference systems," IEEE Transactions on Fuzzy Systems, vol. 16, pp. 1476- 1490, 2008.

 

D. Goldberg. Genetics Algorithms in Search, Optimization and Machine Learning. Massachusetts: Addison-Wesley Reading, 1983.

 

D. Nauck, F. Klawonn, and R. Kruse, "Foundations of neuro-fuzzy systems," Chichester,U.K.: Wiley, 1997.

 

D. Valdez, “Automatización en el área de bodega en una empresa de correo y mensajería para lograr una mayor productividad”. M.S. tesis, Universidad De San Carlos De Guatemala, Guatemala, 2005.

 

F. E. Cellier, Continuous System Modeling. New York, 1991.

 

F. Munoz, “Sistemas de control inteligentes de la planta de viscorreduccion basados en la clonacion artificial de un sensor de viscosidad y parámetros asociados”,

 

F. Munoz, A. Pardo, J. Diaz, “Investigacion Y Desarrollo De Nuevos Sistemas Inteligentes para el Control Mecatronico de una Protesis Bioelectrica”. Revista Colombiana de Tecnologias de Avanzadas, vol. 1, no. 9, 2007.

 

F. Muñoz, “Sensórica e instrumentación, Mecánica de Alta precisión”. Pueblo y educación, 1997.

 

G. A. Carpenter, S. Grossberg, N. Markuzon, J. H. Reynolds, and D. B. Rosen, "Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps," IEEE Transactions on Neural Networks, vol. 3, pp. 698-713, 1992

 

H. Boudouda, H. Seridi H. Akdag. “The Fuzzy Possibilistic C-Means Classifier”, Asian

Journal of Infomation Technology, Vol. 4, no 11, pp. 981-985, 2005.

 

H. Ishibuchi, M. Nii, and T. Murata, "Linguistic rule extraction from neural networks and genetic-algorithm-based rule selection," in IEEE International Conference on Neural Networks - Conference Proceedings, Houston, TX, USA, 1997, pp. 2390-2395.

H. R. Berenji and P. Khedkar, "Learning and tuning fuzzy logic controllers through reinforcements," IEEE Transactions on Neural Networks, vol. 3, pp. 724-740, 1992.

H. Takagi, N. Suzuki, T. Koda, and Y. Kojima, "Neural networks designed on approximate reasoning architecture and their applications," IEEE Transactions on Neural

http://www.unipamplona.edu.co/unipamplona/hermesoft/portalIG/home_2/recursos/investigacion/contenidos/01102007/sistemas_control_inteligente.jsp. [Consultado 20 Marzo 2013].

I. Lache, F. Muñoz, “Investigación de nuevos prototipos de sensores y sistema de control por clonación artificial, basados en técnicas de inteligencia artificial” [En línea]. Disponible: http://ivanovichlache.googlepages.com/PaperPamILS.doc [Consultado 3 Febrero 2013]

 

J. Castro, J. Padilla y E. Romero, “Metodología para realizar una automatización utilizando PLC,” Impulso, Revista De Electrónica, Eléctrica Y Sistemas Computacionales, Departamento de Eléctrica y Electrónica del Instituto Tecnológico de Sonora, vol. 1, nro. 1, pp. 18-21, 2005.

 

J. J. Buckley and Y. Hayashi, "Fuzzy neural networks: A survey," Fuzzy Sets andSystems, vol. 66, pp. 1-13, 1994.

 

J. J. Hopfield and D. W. Tank, "'Neural' computation of decisions in optimization problems," Biological Cybernetics, vol. 52, pp. 141-152, 1985.

 

J. J. Hopfield, "Neural networks and physical systems with emergent collective computational abilities," Proceedings of the National Academy of Sciences of the United States of America, vol. 79, pp. 2554-2558, 1982.

 

J. M. Keller and D. J. Hunt, "Incorporating fuzzy membership functions into the perceptron algorithm," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-7, pp. 693-699, 1985.

J. M. Keller and H. Tahani, "Implementation of conjunctive and disjunctive fuzzy logic rules with neural networks," International Journal of Approximate Reasoning, vol. 6, pp.221-240, 1992.

 

J. M. Keller, R. Krishnapuram, and F. C.-H. Rhee, "Evidence aggregation networks for fuzzy logic inference," IEEE Transactions on Neural Networks, vol. 3, pp. 761-769,1992.

 

J. Rissanen, "Modeling by shortest data description," Automatica, vol. 14, pp. 465-471, 1978.

 

J.-S. R. Jang, "ANFIS: adaptive-network-based fuzzy inference system," IEEE Transactions on Systems, Man and Cybernetics, vol. 23, pp. 665-685, 1993.

 

J.S.R. Jang, N. Gulley, Natick. Fuzzy Logic Toolbox. MS, Mathworks, 2000.

 

K. J. Aström and P. Eykhoff, "System identification-A survey," Automatica, vol. 7, pp. 123-162, 1971.

 

K. J. Hunt, D. Sbarbaro, R. Zbikowski, and P. J. Gawthrop, "Neural networks for control systems - A survey," Automatica, vol. 28, pp. 1083-1112, 1992.

 

K. S. Narendra and K. Parthasarathy, "Identification and control of dynamical systems using neural networks," IEEE Transactions on Neural Networks, vol. 1, pp. 4-27, 1990.

 

L. Ljung and Z.-D. Yuan, "Asymptotic Properties of Black-Box Identification of Transfer Functions," IEEE Transactions on Automatic Control, vol. AC-30, pp. 514-530, 1985.

 

L. Ljung, "System Identification: Theory for the User.," New Jersey: Prentice-Hall, 1999.

 

L.-X. Wang and J. M. Mendel, "Fuzzy basis functions, universal approximation, and orthogonal least-squares learning," IEEE Transactions on Neural Networks, vol. 3, pp. 807-814, 1992.

.

Muñoz Mariela, Muñoz F, (2010). Diseño De Un Sistema De Control Basado en Clonación Artificial, ISSN: 1692-7257 Revista Tecnologías Avanzada Universidad de Pamplona, Colombia.

 

N. K. Kasabov and Q. Song, "DENFIS: Dynamic evolving neural-fuzzy inference system and its application for time-series prediction," IEEE Transactions on Fuzzy Systems, vol. 10, pp. 144-154, 2002.

 

N. K. Sinha and B. Kuszta, Modeling and identification of dynamic systems: Springer,1983. Networks, vol. 3, pp. 752-760, 1992.

 

P. Angelov P. Filev, “An approach to online identification of Takagi-Sugeno fuzzy models”, IEEE Trans. on Systems, Man, and Cybernetics, Part B: Cybernetics, 34(1), pp. 484-498, 2004.

P. Eykhoff, "System Identification," John Wiley, 1974.

 

Q. Song and N. K. Kasabov, "NFI: A neuro-fuzzy inference method for transductive reasoning," IEEE Transactions on Fuzzy Systems, vol. 13, pp. 799-808, 2005.

 

Q. Song and N. Kasabov, "TWNFI - a transductive neuro-fuzzy inference system with weighted data normalization for personalized modeling," Neural Networks, vol. 19, pp. 1591-1596, 2006.

 

R. Babuska, Fuzzy Modeling for Control: Kluwer Academic Publishers, 1998.

 

R. Haber and H. Unbehauen, "Structure identification of nonlinear dynamic systems - Asurvey on input/output approaches," Automatica, vol. 26, pp. 651-677, 1990.

 

R. J. Oentaryo, M. Pasquier, and C. Quek, "GenSoFNN-Yager: A novel brain-inspired generic self-organizing neuro-fuzzy system realizing Yager inference," Expert Systems with Applications, vol. 35, pp. 1825-1840, 2008.

 

R. Johansson, "System Modeling and Identification," in Information and System Sciences New Jersey: Prentice Hall, 1993.

S. C. Lee and E. T. Lee, "Fuzzy neural networks," Mathematical Biosciences, vol. 23, pp. 151-177, 1975.

 

S. K. Pal and S. Mitra, "Multilayer perceptron, fuzzy sets, and classification," IEEE Transactions on Neural Networks, vol. 3, pp. 683-697, 1992.

 

S. Mitra and S. K. Pal, "Fuzzy multi-layer perceptron, inferencing and rule generation," IEEE Transactions on Neural Networks, vol. 6, pp. 51-63, 1995.

 

S. Mitra and Y. Hayashi, "Neuro-fuzzy rule generation: survey in soft computing framework," IEEE Transactions on Neural Networks, vol. 11, pp. 748-768, 2000.

S. Mitra, "Fuzzy MLP based expert system for medical diagnosis," Fuzzy Sets and Systems, vol. 65, pp. 285-296, 1994.

 

S.J. Derby, “Design of Automatic Machinery”, New York: Marcel Dekker, 2005.

T. Calonge, L. Alonso, and R. Ralha, "Transputer implementations of a multilayer perceptron used for speech-recognition task," Microcomputer Applications, vol. 16, pp.64-69, 1997.

 

T. Kohonen, "The self-organizing map," Proceedings of the IEEE, vol. 78, pp. 1464-1480, 1990.

 

T. Söderström and P. Stoica, "System Identification," New York: Prentice Hall, 1989 U.K.: Wiley, 1997.

 

W. A. Farag, V. H. Quintana, and G. Lambert-Torres, "A genetic-based neuro-fuzzy approach for modeling and control of dynamical systems," IEEE Transactions on Neural Networks, vol. 9, pp. 756-767, 1998

 

W. L. Tung and C. Quek, "eFSM - A novel online neural-fuzzy semantic memory model," IEEE Transactions on Neural Networks, vol. 21, pp. 136-157, 2010.

Y. Hayashi, J. J. Buckley, and E. Czogala, "Fuzzy neural network with fuzzy signals and weights," International Journal of Intelligent Systems, vol. 8, pp. 527-537, 1993