Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control

Abstract

Resumen-El control de procesos con dinámica estocástica o compleja es exitoso siempre y cuando se pueda estimar un modelo que se ajuste bien al comportamiento, sin embargo, esta suposición pierde validez en aplicaciones donde la información del sistema es reducida o incompleta, muy comunes en ambientes reales de la industria. La literatura presenta diferentes esquemas de control, siendo los modelos neuro-difusos los que reportan mejor desempeño. Estos modelos conjugan la capacidad de adaptación que tienen las redes neuronales con la robustez de los motores de inferencia que tiene la lógica difusa, para modelar el conocimiento de expertos mediante reglas de aprendizaje, identificar dinámicas complejas y aumentar la adaptabilidad del sistema a perturbaciones que en la práctica tienden a ser de naturaleza estocástica sumado, a veces, que la información del sistema sea restringida. Este artículo presenta una revisión sobre dificultades y soluciones derivadas del control de sistemas estocásticos o complejos con información incompleta. Se revisan las estructuras de control cuando la dinámica del sistema presenta vaguedad en los datos, la evolución hacia técnicas adaptativas, y el desempeño de las redes neuro-difusas ante procesos estocásticos o complejos con incertidumbre en los datos. De forma preliminar se establece que el control de este tipo de sistemas debe estar compuesto por modelos híbridos soportados en rutinas de optimización y análisis probabilístico que garanticen el tratamiento de las incertidumbres sin afectar el desempeño de las estructuras de control y la consistencia en la precisión.Palabras clave-Control adaptativo, sistemas estocás-ticos, redes neuronales, lógica difusa, modelos neurodifusos, información incompleta.Abstract-Control theory for processes with stochastic or complex dynamics has a successful performance as long as a model can be adjusted to the system behavior, although for real applications in the industry, where data can be reduced or incomplete, this statement may not be true. Different control schemes have been proposed and the literature reports promising results with neural fuzzy models. These models combine the adaptability of neural networks with the robust inference of fuzzy logic, in order to model expert knowledge by learning rules, identify complex dynamics and enhance the control adaptability when stochastic disturbances are present, which sometimes cause incomplete system data. This paper presents a review on the difficulties and solutions related to the control of stochastic or complex systems with incomplete data. This study, initially, discusses the control structures when the system data present notable uncertainty levels. Next, different adaptive control schemes are presented, and finally, nonlinear and stochastic control approaches based on neural fuzzy systems are reviewed. Thereby, in a preliminary way, this review establishes that a system under the conditions mentioned above should be controlled by hybrid models supported on probabilistic routines and optimizatio...