Resumen: La creciente complejidad de los procesos químicos modernos, junto con la escasez de la fuerza laboral y los intrincados escenarios de fallas, exige nuevos paradigmas de automatización que combinen el razonamiento simbólico con el control adaptativo. En este trabajo, presentamos un marco de agente unificado que aprovecha los modelos de idiomas grandes (LLM) tanto para la planificación discreta de recuperación de fallas como para el control continuo de procesos dentro de una sola arquitectura. Adoptamos máquinas estatales finitas (FSMS) como sobres operativos interpretables: un agente de planificación basado en LLM propone secuencias de recuperación a través del FSM, un agente de simulación ejecuta y verifica cada transición, y un bucle de repriptación de validador refina los planes inválidos. En el estudio de caso 1, a través de 180 FSM generados aleatoriamente de tamaños variables (4-25 estados, 4-300 transiciones), GPT-4O y GPT-4O-Mini logran un éxito 100% válido en cinco LLM de fuentes abiertas que salen de acuerdo con la precisión y latencia. En el Estudio de caso 2, el mismo marco modula las entradas de doble calor en una plataforma TCLAB de laboratorio (y su gemelo digital) para mantener una temperatura promedio objetivo bajo perturbaciones asimétricas persistentes. En comparación con el control clásico de PID, nuestro controlador basado en LLM alcanza un rendimiento similar, mientras que la ablación del bucle de impulso revela su papel crítico en el manejo de la dinámica no lineal. Analizamos los modos de falla clave como instrucción después de lapsos y aproximaciones de oda gruesa. Nuestros resultados demuestran que, con retroalimentación estructurada y agentes modulares, los LLM pueden unificar la planificación simbólica de alto nivel y el control continuo de bajo nivel, allanando el camino hacia la automatización resistente al lenguaje en ingeniería química.
Publicado Originalme en export.arxiv.org El 10 de julio de 2025.
Ver Fuente Original
