La asignatura Inteligencia Artificial Aplicada a Control se centra en la aplicación de técnicas de inteligencia artificial (IA) en el ámbito del control de sistemas. Los estudiantes aprenderán cómo las técnicas de IA pueden mejorar los algoritmos de control, optimizar el rendimiento del sistema y abordar los retos del mundo real. El curso abarca tanto los fundamentos teóricos como las aplicaciones prácticas.



La asignatura se enmarca dentro de las asignaturas optativas y el acceso a la misma no presenta la necesidad de ningún prerrequisito obligatorio. Sin embargo, para un desarrollo óptimo y su total aprovechamiento es recomendable 1) una base matemática sólida adquirida en las asignaturas de Álgebra, Cálculo y Métodos Estadísticos de la Ingeniería; 2) un nivel de programación como el obtenido en la asignatura Fundamentos de Informática; y 3) Conocimiento básicos claros de control logrados en la asignatura Automatismo y Control.



El objetivo principal es familiarizar a los estudiantes con las técnicas y herramientas de IA aplicadas al diseño y optimización de sistemas de control. Se explorarán conceptos como redes neuronales, lógica difusa, técnicas de optimización y aprendizaje automático, y se analizará su aplicación en sistemas de control.



La IA aplicada al control tiene un impacto significativo en la automatización de procesos industriales, sistemas de transporte, robótica y más. Los avances en esta área contribuyen a la eficiencia, seguridad y sostenibilidad de diversos sectores.

Competencias Generales (CG)



CG1 - Conocimiento de materias básicas y tecnologías, que capacite al estudiante para el aprendizaje de nuevos métodos y tecnologías, así como que le dote de una gran versatilidad para adaptarse a nuevas situaciones.



CG2 - Transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.



CG3 - Capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.



Competencias Transversales (CT)



CT1 - Capacidad de comunicación oral y escrita, en inglés y español utilizando los medios audiovisuales habituales, y para trabajar en equipos

multidisciplinares y en contextos internacionales.

CT2 - Capacidad de análisis y síntesis en la resolución de problemas.

CT3 - Capacidad para gestionar adecuadamente la información disponible integrando creativamente conocimientos y aplicándolos a la resolución de problemas informáticos utilizando el método científico.

CT5 - Capacidad para valorar la repercusión social y medioambiental de las soluciones de la ingeniería, y para perseguir objetivos de calidad en el desarrollo de su actividad profesional.



Competencias Específicas (CE)



CE1 - Conocimiento y comprensión de las principales técnicas de inteligencia artificial para su aplicación práctica en la resolución de problemas en el ámbito de la Ingeniería de Control.

1. Introducción a los sistemas de control y la IA

1.1. Visión general de la teoría de control

1.2. Fundamentos de la inteligencia artificial

1.3. Contexto histórico y motivación para combinar IA y control

2. Aprendizaje automático para el control

2.1 Modelos de regresión

2.2 Algoritmos de clasificación

2.3 Redes neuronales para la aproximación de funciones

2.4 Conceptos básicos del aprendizaje por refuerzo

3. Algoritmos de control inteligente

3.1 Controladores PID

3.2 Control lógico difuso

3.3 Control predictivo de modelos (MPC)

3.4 Control adaptativo

4. Técnicas de optimización

4.1 Algoritmos genéticos

4.2 Optimización por enjambre de partículas

4.3 Optimización basada en gradientes

4.4 Aplicaciones de la IA en el control

5. Robótica y automatización

5.1 Control de procesos

5.2 Vehículos autónomos

5.3 Redes inteligentes

6. Casos prácticos y proyectos

6.1 Análisis de trabajos de investigación

6.2 Implantación de sistemas de control mejorados con IA

6.3 Proyectos dirigidos por estudiantes

En la modalidad magistral (M) se dedica el tiempo presencial a la exposición de los conocimientos teóricos y la resolución de problemas en el aula. Se potenciará el trabajo autónomo, mediante colecciones de cuestiones y problemas adicionales.



En las Práctica de Aula (GA) se dedica el tiempo presencial a la resolución de problemas prácticos en los entornos Matlab y Python trabajando en grupo. Se potencia el trabajo en equipo y la capacidad de análisis y de síntesis mediante trabajos adicionales relacionados con cada práctica.



En el caso de que las condiciones sanitarias impidan la realización de una actividad docente y/o evaluación presencial, se activará una modalidad no presencial de la que los/las estudiantes serán informados puntualmente.

• Sistema de Evaluación Continua
• Sistema de Evaluación Final
• Herramientas y porcentajes de calificación:
  • Prueba escrita a desarrollar (%): 70
  • Defensa oral (%): 20
  • Asistencia a clase (%): 10

El alumnado puede optar tanto por una evaluación continua como por una final.







Evaluación continua.







1. Se aplicará la suma ponderada de las calificaciones obtenidas en las diferentes tareas evaluables realizadas por el estudiante según el siguiente criterio:



- Obligatoria asistencia a clase: 10%



- Examen final (prueba escrita a desarrollar): 70%



- Defensa oral (discusión de conceptos y problemas): 20%



2. La persona que desee renunciar a la evaluación continua para realizar la evaluación final, deberá indicarlo por escrito antes del final de la undécima semana del cuatrimestre mediante el impreso que estará disponible en la plataforma docente desde el comienzo del curso.







3. Si un alumno no participa en alguna de las diferentes tareas evaluables obtendrá la calificación de NO PRESENTADO.











Evaluación final.







1. El alumnado tendrá derecho a ser evaluado mediante el sistema de evaluación final según las condiciones fijadas en la Normativa reguladora de la evaluación del alumnado en las titulaciones oficiales de grado (Capítulo II. Artículo 8.3). Para ello será necesario haber entregado antes del final de la undécima semana el impreso de renuncia a la evaluación continua que estará disponible en la plataforma docente desde el comienzo del curso.







2. La evaluación se llevará a cabo mediante tareas evaluables que garanticen la suficiencia competencial de la asignatura de acuerdo con el siguiente baremo:



- Examen final (prueba escrita a desarrollar): 75%



- Defensa oral (discusión de conceptos y problemas): 25%







3. Si un alumno no participa en alguna de las tareas evaluables obtendrá la calificación de NO PRESENTADO.

1. Se aplicará exclusivamente el sistema de evaluación final según se indica en la Normativa reguladora de la evaluación del alumnado en las titulaciones oficiales de grado (Capítulo II. Artículo 9.2). La evaluación se llevará a cabo mediante tareas evaluables que garanticen la suficiencia competencial de la asignatura de acuerdo con el siguiente baremo:



- Examen final (prueba escrita a desarrollar): 75%



- Defensa oral (discusión de conceptos y problemas): 25%





2. Si un alumno no participa en alguna de las tareas evaluables obtendrá la calificación de NO PRESENTADO.

No se obliga al uso de ningún material concreto.

Para el estudio y la preparación de las clases el alumno dispone, en la Plataforma Docente de la UPV/EHU, de diverso material didáctico suministrado por los profesores de la asignatura.

Por otra parte, en la bibliografía se reseñan diferentes fuentes útiles para la obtención de información adicional.

Bibliografía básica

1. James G., Witten D., Hastie T., Tibshirani, R., An introduction to statistical learning with applications in R, New York, Springer, 2013.

2. Goodwin, G. C., Graebe, S. F., y Salgado, M. E., Control System Design, Prentice Hall, 2001.

3. Sergios Theodoridis, Machine Learning, A Bayesian and Optimization Perspective, Elsevier, 2015.

4. Sutton, R. S., y Barto, A. G., Reinforcement Learning: An Introduction, MIT Press, 2018.

5. Proakis J.G. y Manolakis A.G., Digital signal processing. Principles, algorithms and applications, Pearson Prentice Hall, 2007.

Bibliografía de profundización

1. Hastie T., Tibshirani R., J.F., The elements of statistical learning, New York. Springer, 2008.
2. Ruano A. E., Intelligent Control using Intelligent Computational Techniques, IEEE Control Series, 2005
3. Zilouchian, A. y Jamshidi, M., Intelligent Control Systems Using Soft Computing Methodologies, CRC Press, 2001
4. Hopgood, A. A., Intelligent systems for engineers and scientists: A practical guide to artificial intelligence. CRC Press, 2021.

Revistas

1. IEEE Control Systems Magazine
2. IEEE Intelligent Systems
3. IOP Journal of Physics

Direcciones web

1. IA para el control de procesos industriales:
https://www.controleng.com/articles/evolution-of-control-systems-with-artificial-intelligence/
Esta serie de artículos de Towards Data Science profundiza en las estrategias de control y en cómo la IA puede aumentar los sistemas de control de procesos industriales.

2. Evolución de los sistemas de control con inteligencia artificial:
https://towardsdatascience.com/ai-for-industrial-process-control-intro-to-control-strategies-part-1-b855fb6df61d
Este artículo analiza cómo la IA puede ser la próxima evolución de los sistemas de control.

3. Otros enlaces:
3.1 https://medium.com/@aniketsupekar2003/evolution-of-control-systems-in-ai-aa1620631f2d
3.2 https://www.controlaltachieve.com/2024/02/teach-students-ai.html
3.3 https://blog.intraratio.com/what-is-industrial-ai-and-why-does-it-matter-to-process-manufacturers
3.4 https://link.springer.com/article/10.1007/s40593-023-00356-z