Técnicas de inteligencia artificial aplicadas al control automático de procesos industriales: Una revisión sistemática
DOI:
https://doi.org/10.61347/psa.v4i2.175Palabras clave:
Aprendizaje por refuerzo, control automático, control predictivo, Inteligencia Artificial, PRISMA, procesos industriales, revisión sistemáticaResumen
Las técnicas de inteligencia artificial (IA) han adquirido una relevancia creciente en el control automático de procesos industriales, al complementar los esquemas tradicionales y permitir una mayor adaptación frente a dinámicas no lineales, retardos prolongados y condiciones operativas variables. El presente artículo tuvo como objetivo analizar y sintetizar la evidencia científica disponible sobre la aplicación de técnicas de inteligencia artificial en el control automático de procesos industriales mediante una revisión sistemática desarrollada bajo la metodología PRISMA 2020. Se realizó una búsqueda de literatura en bases de datos como Scopus, Web of Science, IEEE Xplore, ScienceDirect, MDPI, SpringerLink y De Gruyter, identificándose inicialmente 120 registros. Tras el proceso de cribado y evaluación a texto completo, se seleccionaron 25 artículos de acceso abierto publicados en revistas con cuartil Scimago confirmado, de los cuales 11 correspondieron a revistas Q1 y 14 a revistas Q2. Los resultados evidenciaron que el aprendizaje por refuerzo presentó la mayor representación entre los estudios incluidos, seguido del control predictivo basado en modelos con inteligencia artificial y el control inteligente aplicado a la robótica industrial. Además, se identificaron aplicaciones en lógica difusa, sensores virtuales, arquitecturas distribuidas y sistemas energéticos inteligentes. Se concluye que la IA ofrece un potencial significativo para mejorar la adaptabilidad, robustez y eficiencia de los sistemas de control industrial; sin embargo, persisten desafíos relacionados con la interpretabilidad, validación en entornos reales y seguridad de implementación.
Descargas
Citas
Abdelmaksoud, S., Al-Mola, M., Abro, G., & Asirvadam, V. (2024). In-depth review of advanced control strategies and cutting-edge trends in robot manipulators: Analyzing the latest developments and techniques. IEEE Access, 12, 47672–47701. https://doi.org/10.1109/ACCESS.2024.3383782
Alejandro-Sanjines, U., Maisincho-Jivaja, A., Asanza, V., Lorente-Leyva, L. L., & Peluffo-Ordóñez, D. H. (2023). Adaptive PI controller based on a reinforcement learning algorithm for speed control of a DC motor. Biomimetics, 8(5), 434. https://doi.org/10.3390/biomimetics8050434
Capodaglio, A., & Callegari, A. (2025). Use, potential, needs, and limits of AI in wastewater treatment applications. Water, 17(2), 170. https://doi.org/10.3390/w17020170
Devarakonda, V., Sun, W., Tang, X., & Tian, Y. (2025). Recent advances in reinforcement learning for chemical process control. Processes, 13(6), 1791. https://doi.org/10.3390/pr13061791
Dudek, G., & Blachnik, M. (2026). Artificial intelligence and machine learning models for forecasting, optimization, and control in smart energy systems. Energies, 19(3), 768. https://doi.org/10.3390/en19030768
Faria, R., Capron, B., Secchi, A., & de Souza, M. (2022). Where reinforcement learning meets process control: Review and guidelines. Processes, 10(11), 2311. https://doi.org/10.3390/pr10112311
Faridi, I., Tsotsas, E., & Kharaghani, A. (2024). Advancing process control in fluidized bed biomass gasification using model-based deep reinforcement learning. Processes, 12(2), 254. https://doi.org/10.3390/pr12020254
Gouveia, G., Alves, J., Sousa, P., Araújo, R., & Mendes, J. (2024). Edge computing-based modular control system for industrial environments. Processes, 12(6), 1165. https://doi.org/10.3390/pr12061165
Ibrahim, M., & Elhafiz, R. (2024). Security assessment of industrial control system applying reinforcement learning. Processes, 12(4), 801. https://doi.org/10.3390/pr12040801
Jung, H., Park, S., Joe, S., Woo, S., Choi, W., & Bae, W. (2025). AI-driven control strategies for biomimetic robotics: Trends, challenges, and future directions. Biomimetics, 10(7), 460. https://doi.org/10.3390/biomimetics10070460
Lee, C., & An, D. (2022). AI-based posture control algorithm for a 7-DOF robot manipulator. Machines, 10(8), 651. https://doi.org/10.3390/machines10080651
Leonard, L., Gjonaj, G., Rahman, M., & Durand, H. (2024). Virtual test beds for image-based control simulations using Blender. Processes, 12(2), 279. https://doi.org/10.3390/pr12020279
Mendes, T., Ribeiro, A., Schnitman, L., & Nogueira, I. (2024). A PLC-embedded implementation of a modified Takagi–Sugeno–Kang-based MPC to control a pressure swing adsorption process. Processes, 12(8), 1738. https://doi.org/10.3390/pr12081738
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C., Shamseer, L., Tetzlaff, J., Akl, E., Brennan, S., Chou, R., Glanville, J., Grimshaw, J., Hróbjartsson, A., Lalu, M., Li, T., Loder, E., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Queiroz, D., Rodrigues, F., Nogueira, J., Melo, P., & Souza, M. (2024). Synergizing phenomenological and AI-based models with industrial data to develop soft sensors for a sour water treatment unit. Processes, 12(9), 1900. https://doi.org/10.3390/pr12091900
Santana, B., Matos, V., Santana, D., & Martins, M. (2023). Embedded MPC strategies for ESP-lifted oil wells: Hardware-in-the-loop performance analysis of nonlinear and robust techniques. Processes, 11(5), 1354. https://doi.org/10.3390/pr11051354
Shi, H., Zhang, L., Pan, D., & Wang, G. (2024). Deep reinforcement learning-based process control in biodiesel production. Processes, 12(12), 2885. https://doi.org/10.3390/pr12122885
Song, D., Shen, G., Huang, C., Huang, Q., Yang, J., Dong, M., Joo, Y. H., & Duić, N. (2024). Review on the application of artificial intelligence methods in the control and design of offshore wind power systems. Journal of Marine Science and Engineering, 12(3), 424. https://doi.org/10.3390/jmse12030424
Soza, K., & Prado, A. (2025). Integrating model predictive control with deep reinforcement learning for robust control of thermal processes with long time delays. Processes, 13(6), 1627. https://doi.org/10.3390/pr13061627
Tang, X., Xu, B., & Xu, Z. (2023). Reactor temperature prediction method based on CPSO-RBF-BP neural network. Applied Sciences, 13(5), 3230. https://doi.org/10.3390/app13053230
Trentini, R., Campos, A., Salvador, M. A., Scheuer, Y. M., & Santos, C. H. F. (2023). Unrestricted horizon predictive controller applied in a biphasic oil separator under periodic slug disturbances. Processes, 11(3), 928. https://doi.org/10.3390/pr11030928
Urrea, C. (2025). Artificial intelligence-driven and bio-inspired control strategies for industrial robotics: A systematic review of trends, challenges, and sustainable innovations toward Industry 5.0. Machines, 13(8), 666. https://doi.org/10.3390/machines13080666
Wang, Z., Wang, H., & Du, Z. (2025). Deep neural network model based on process mechanism applied to predictive control of distillation processes. Processes, 13(3), 811. https://doi.org/10.3390/pr13030811
Wu, Z., Christofides, P. D., Wu, W., Wang, Y., Abdullah, F., Alnajdi, A., & Kadakia, Y. (2025). A tutorial review of machine learning-based model predictive control methods. Reviews in Chemical Engineering, 41(4), 359–400. https://doi.org/10.1515/revce-2024-0055
Xu, J., Li, H., & Zhang, Q. (2023). Multivariable coupled system control method based on deep reinforcement learning. Sensors, 23(21), 8679. https://doi.org/10.3390/s23218679
Yu, H., Wang, Q., & Li, S. (2024). Fuzzy logic control with long short-term memory neural network for hydrogen production thermal control system. Applied Sciences, 14(19), 8899. https://doi.org/10.3390/app14198899
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Johana Beatriz Samaniego Palacios, Juan Fernando Pérez Orellana, Wilian Andres Nuñez Yanez, Byron Daniel Erazo Rodríguez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
